基于符号知识库的可扩展神经推理方法
计算与语言
2020-02-17 v1 机器学习
机器学习
摘要
我们描述了一种称为稀疏矩阵具体化知识库（sparse-matrix reified KB）的符号知识库（KB）表示新方式。该表示支持完全可微分、忠实于知识库原始语义、足以建模多跳推理且可扩展至现实大规模知识库使用的神经模块。稀疏矩阵具体化知识库可分布于多个 GPU 上，可扩展至数千万实体与事实，并且比朴素的稀疏矩阵实现快数个数量级。该具体化知识库使得非常简单的端到端架构能够在代表两类任务的若干基准上取得具有竞争力的性能：知识库补全，以及从指称学习语义解析器。
引用
@article{arxiv.2002.06115,
title = {Scalable Neural Methods for Reasoning With a Symbolic Knowledge Base},
author = {William W. Cohen and Haitian Sun and R. Alex Hofer and Matthew Siegler},
journal= {arXiv preprint arXiv:2002.06115},
year = {2020}
}
备注
Also published in ICLR2020 https://openreview.net/forum?id=BJlguT4YPr¬eId=BJlguT4YPr