利用含噪抽取发现因果知识
人工智能
2017-11-17 v1
摘要
通过从文本中进行信息抽取构建的知识库 (KB) 在查询回答和推理中发挥着重要作用。在这项工作中，我们研究一种特定的推理任务，即发现实体间因果关系的问题，称为因果发现。发现因果知识有两类对比性的方法。一种方法试图利用自动抽取技术从文本中识别因果关系，而另一种方法从观测数据推断因果。然而，仅依靠抽取往往不足以捕捉复杂模式，且完整的观测数据获取成本高昂。我们引入一种概率方法，将含噪抽取与观测数据融合以发现因果知识。我们提出一种原则性方法，使用概率软逻辑 (PSL) 框架编码经过充分研究的约束以恢复长程模式和一致预测，同时廉价获取的抽取为未观测提供代理。我们将我们的方法应用于基因调控网络，展示了在因果发现中利用 KB 信号的潜力，指出了一个关键的新研究方向。
引用
@article{arxiv.1711.05900,
title = {Using Noisy Extractions to Discover Causal Knowledge},
author = {Dhanya Sridhar and Jay Pujara and Lise Getoor},
journal= {arXiv preprint arXiv:1711.05900},
year = {2017}
}