迈向知识图谱嵌入与基于本体的推理的松散耦合
人工智能
2022-07-05 v2 数据库
机器学习
摘要
知识图谱补全(又称链接预测)，即从知识图谱推断缺失信息的任务，是许多应用(如产品推荐和问答)中广泛使用的任务。知识图谱嵌入和/或规则挖掘与推理的最先进方法是数据驱动的，因此仅基于输入知识图谱所包含的信息。这导致不令人满意的预测结果，使得此类解决方案无法应用于医疗等关键领域。为了进一步提高知识图谱补全的准确性，我们提出将数据驱动的知识图谱嵌入能力与源自专家或衍推机制(例如OWL2)的领域特定推理松散耦合。通过这种方式，我们不仅利用可能未包含在输入知识图谱中的领域知识提升了预测准确性，还允许用户插入其自身的知识图谱嵌入与推理方法。我们的初步结果表明，我们将原始知识图谱嵌入的MRR准确率提升了最高3倍，并且优于将知识图谱嵌入与规则挖掘和推理相结合的混合解决方案最高3.5倍MRR。
引用
@article{arxiv.2202.03173,
title = {Towards Loosely-Coupling Knowledge Graph Embeddings and Ontology-based Reasoning},
author = {Zoi Kaoudi and Abelardo Carlos Martinez Lorenzo and Volker Markl},
journal= {arXiv preprint arXiv:2202.03173},
year = {2022}
}