SAFRAN：一种优于嵌入模型的可解释基于规则的链接预测方法
人工智能
2021-11-23 v1 机器学习
摘要
基于神经嵌入的机器学习模型在知识图谱新颖链接预测中已展现出前景。遗憾的是，其缺乏可解释性削弱了实际效用。近来，完全可解释的基于规则的算法AnyBURL在许多通用链接预测基准上取得了极具竞争力的结果。然而，当前聚合多规则预测的方法受冗余影响。我们通过引入SAFRAN规则应用框架改进AnyBURL，其使用一种称为非冗余噪声或（Non-redundant Noisy-OR）的新颖聚合方法，在聚合前检测并聚类冗余规则。SAFRAN在已建立的通用基准FB15K-237、WN18RR与YAGO3-10上取得了完全可解释链接预测的新最优结果。此外，它在FB15K-237与WN18RR上超越了多种已建立的基于嵌入的算法，并在YAGO3-10上缩小了基于规则与基于嵌入的算法之间的差距。
引用
@article{arxiv.2109.08002,
title = {SAFRAN: An interpretable, rule-based link prediction method outperforming embedding models},
author = {Simon Ott and Christian Meilicke and Matthias Samwald},
journal= {arXiv preprint arXiv:2109.08002},
year = {2021}
}