迈向交互式知识库调试中更快的响应时间与更高质量的查询

许多人工智能应用依赖于编码在逻辑知识库（KB）中的知识。此类逻辑知识库最本质的益处在于能够进行自动推理，然而这要求知识库满足一些最小质量标准，例如一致性。如果没有适当的工具辅助，解决知识库中此类被违反的质量标准的任务可能会极其困难，尤其是当有问题的知识库庞大且复杂时。为此，引入了交互式知识库调试器，它会向用户询问关于某些陈述在预期领域中是否必须成立或必须不成立的查询。给出的答案有助于逐步缩小知识库修复的搜索空间。现有的交互式调试器通常依赖基于池的策略进行查询计算。预先计算一个候选查询池，从中根据某些查询质量标准选择最佳候选展示给用户。这通常会导致生成许多不必要的候选查询，从而导致对逻辑推理服务的大量昂贵调用。我们通过对各种实值主动学习查询选择度量进行深入的数学分析来解决这一问题，以确定使查询有利的定性标准。这些标准是设计高效启发式查询搜索方法的关键。所提出的方法首次实现了完全无需推理器的交互式知识库调试查询生成，同时保证了生成查询的最优性条件（例如，最小基数或对用户的最佳可理解性），这是现有方法无法实现的。此外，我们研究了主动学习度量之间的不同关系。所得的图景提示了在何种情况下哪些度量更有利，或者基于给定的查询类型哪些度量总是导致相同的结果。