知识图上基于规则引导的组合式表示学习
计算与语言
2020-01-01 v2 人工智能
机器学习
摘要
知识图（KG）上的表示学习旨在将KG中的实体与关系嵌入到低维连续向量空间中。早期的KG嵌入方法仅关注编码于三元组中的结构化信息，由于KG的结构稀疏性，这会导致有限性能。近期一些尝试考虑路径信息以扩展KG结构，但在获取路径表示的过程中缺乏可解释性。本文提出一种新颖的基于规则与路径的联合嵌入（RPJE）方案，其充分利用逻辑规则的可解释性与准确性、KG嵌入的泛化能力以及路径的补充语义结构。具体而言，首先以Horn子句形式从KG中挖掘不同长度（规则体中关系的数量）的逻辑规则，并精心编码用于表示学习。然后，长度为2的规则用于精确组合路径，而长度为1的规则被显式用于创建关系间的语义关联并约束关系嵌入。此外，在优化中还考虑了各规则的置信度，以保证将规则应用于表示学习的可用性。大量实验结果说明，RPJE在KG补全任务上优于其他最先进的基线，这也证明了利用逻辑规则及路径以提升表示学习的准确性与可解释性的优越性。
引用
@article{arxiv.1911.08935,
title = {Rule-Guided Compositional Representation Learning on Knowledge Graphs},
author = {Guanglin Niu and Yongfei Zhang and Bo Li and Peng Cui and Si Liu and Jingyang Li and Xiaowei Zhang},
journal= {arXiv preprint arXiv:1911.08935},
year = {2020}
}
备注
The full version of a paper accepted to AAAI 2020