面向从知识图谱中学习实例化逻辑规则
人工智能
2020-05-18 v2 计算与语言
机器学习
摘要
从知识图谱（KGs）中高效归纳高层次可解释规律是一项至关重要却具挑战性的任务，其有益于诸多下游应用。本文提出 GPFL，一种经优化用于从知识图谱中挖掘实例化一阶逻辑规则的概率规则学习器。实例化规则包含从知识图谱中抽取的常量。与不含常量的抽象规则相比，实例化规则能够更细致地解释与表达概念。GPFL 采用一种新颖的两阶段规则生成机制：首先将从知识图谱抽取的路径泛化为模板（即无环抽象规则），直至达到一定程度的模板饱和，随后将生成的模板特化为实例化规则。不同于现有工作对每条挖掘出的实例化规则逐一实例化以进行评估，GPFL 在结构相似规则间共享实例化结果以进行集体评估。此外，我们揭示了过拟合规则的存在、其对预测性能的影响，以及一种简单验证方法过滤过拟合规则的有效性。通过在公开基准数据集上的大量实验，我们表明 GPFL：1.) 显著减少评估实例化规则的运行时；2.) 发现的优质实例化规则数量远超现有工作；3.) 通过验证移除过拟合规则提升了所学规则的预测性能；4.) 在知识图谱补全任务上与最先进的基线相比具有竞争力。
引用
@article{arxiv.2003.06071,
title = {Towards Learning Instantiated Logical Rules from Knowledge Graphs},
author = {Yulong Gu and Yu Guan and Paolo Missier},
journal= {arXiv preprint arXiv:2003.06071},
year = {2020}
}