TAR：跨 TBox 与 ABox 的神经逻辑推理
人工智能
2022-08-17 v2 机器学习
计算机科学中的逻辑
摘要
许多本体（即描述逻辑（DL）知识库）已被开发以提供关于各种领域的丰富知识。一个本体由 ABox（即两个实体之间或概念与实体之间的断言公理）和 TBox（即两个概念之间的术语公理）组成。神经逻辑推理（NLR）是探索此类知识库的一项基本任务，旨在基于查询与答案的分布式表示来回答带有逻辑操作的多跳查询。虽然以往的 NLR 方法能够给出特定的实体级答案（即 ABox 答案），但它们无法提供描述性的概念级答案（即 TBox 答案），其中每个概念是一组实体的描述。换言之，以往的 NLR 方法仅在本体的 ABox 上进行推理而忽略了 TBox。特别地，提供 TBox 答案能够推断出每个查询带有描述性概念的解释，这使得答案对用户而言可理解，并在应用本体领域具有极大用处。在本工作中，我们形式化了跨 TBox 与 ABox 的神经逻辑推理问题（TA-NLR），解决该问题需要应对在概念的吸收、表示与操作上的挑战。我们提出了一种名为 TAR 的原创解决方案用于 TA-NLR。首先，我们吸收基于描述逻辑的本体公理以提供概念来源。然后，我们将概念与查询表示为模糊集（即其元素具有隶属度的集合），以在概念、查询与实体之间建立桥梁。此外，我们在概念与查询的模糊集表示之上设计涉及概念的操作符用于优化与推断。在两个真实世界数据集上的大量实验结果证明了 TAR 在 TA-NLR 上的有效性。
引用
@article{arxiv.2205.14591,
title = {TAR: Neural Logical Reasoning across TBox and ABox},
author = {Zhenwei Tang and Shichao Pei and Xi Peng and Fuzhen Zhuang and Xiangliang Zhang and Robert Hoehndorf},
journal= {arXiv preprint arXiv:2205.14591},
year = {2022}
}