精华内容
下载资源
问答
  • 知识图谱推理

    2019-08-14 17:32:41
    KG上的推理依赖KG的表示。KG的表示目前有两种,一种是符号化的表示,就是把知识表示成RDF三元组形式,即(Subject,Predictor,Object),如(周杰伦,妻子,昆凌)(黄渤,导演作品,一出好戏);另一种是分布式的...

    链接:https://www.zhihu.com/question/287927659/answer/467111641

    KG上的推理依赖KG的表示。KG的表示目前有两种,一种是符号化的表示,就是把知识表示成RDF三元组形式,即(Subject,Predictor,Object),如(周杰伦,妻子,昆凌)(黄渤,导演作品,一出好戏);另一种是分布式的表示,就是把实体信息embedding到一个向量中。分布式的表示,可解释性差,对人不友好,也较难实现推理。符号化的表示,可解释性好,方便易懂,可以实现推理。如“爸爸的爸爸是爷爷”,通过这种规则,就能给知识图谱中的两个实体,添加一条额外的关系(图中的一条边),实现推理。

    展开全文
  • 知识图谱推理问题总结

    千次阅读 2019-03-09 20:44:19
    这些应用的性能受限于知识图谱的不完整性,甚至是知识图谱中错误内容会导致错误的结果,使用知识图谱推理技术可以对现有知识图谱进行丰富,知识图谱推理技术指的是根据现有的知识图谱中的论据,推断出新的事实,这也...

    背景

    知识图谱在许多自然语言处理应用中有非常重要的作用,例如问答系统、语义搜索等。这些应用的性能受限于知识图谱的不完整性,甚至知识图谱中存在错误会导致返回给应用错误的结果,使用知识图谱推理技术可以丰富知识图谱,知识图谱推理技术指的是根据现有的知识图谱中的论据,推断出新的事实,这也是人工智能长久以来追求的目标之一。为了更容易理解知识图谱推理,这里举一个例子来说明,在一个知识图谱中包含 Neymar plays for Barcelona, and Barcelona are in the La Liga league这样的事实,我们需要让机器学会下面的公式:playerPlaysForTeam(P,T)teamPlaysInLeague(T,L)playerPlaysInLeague(P,L)playerPlaysForTeam(P,T) ∧ teamPlaysInLeague(T,L) ⇒ playerPlaysInLeague(P,L)

    研究内容

    知识图谱的推理首先需要考虑的是知识表示问题,主要有基于图结构的表示、基于张量的表示等。然后需要考虑逻辑推理算法以及优化方法,还需要考虑基于统计或者神经网络的知识图谱推理算法,目前主流的方法大概分为基于表示学习和基于图特征的方法。
    知识表示
      知识图谱表示指的是使用什么数据结构来表示一个知识图谱,从图的角度来看知识图谱是一个语义网络,语义网络的节点可以代表概念、属性、事件以及实体,边表示节点之间的关系,边的标签表示关系的类型。目前知识图谱通常表示为RDF三元组(e1,r,e2)(e_1, r, e_2)的集合,最近实体以及关系使用向量表示方法开始成为主流,方便使用基于统计或者神经网络的方法来进行知识的推理,对知识图谱中实体之间的关系进行预测。
    实体关系学习
      实体关系学习指的是通过统计或者神经网络的方法从知识图谱中学习实体之间的关系,近几年的方法大致可以分为两类,一类是基于表示学习的方法,另外一种是基于图特征的方法。实体关系学习是目前研究比较广泛的一个方向。基于表示学习的方法是将知识图谱中的节点以及节点之间的关系映射到向量空间中,以此刻画它们的语义特征,通过比较、匹配实体以及关系的分布式表示得到知识图谱中潜在成立的实体关系。基于表示学习的方法灵活、具有较高的计算效率,但是可解释性很差,对于复杂推理任务精度不足,对于动态知识图谱适用性差。基于图特征的方法是利用知识图谱中观察到的图特征(例如路径)预测可能存在的一条边,这种方法可以在推理的同时挖掘逻辑规则,具有明确的推理机制,解释性强,但是计算量较大,对于大型知识图谱需要解决计算效率问题。

    研究内容

    知识表示:

    实体关系学习:

    1. 基于表示学习
        知识图谱表示学习旨在将知识图谱中的实体与关系统一映射至连续向量空间中,来刻画它们的潜在语义特征。通过比较实体与关系在该向量空间中的分布式表示,可以推断出实体和实体之间潜在的关系。随着深度学习的发展,知识表示学习技术成为研究的热点。早期的一些研究工作通过设计实体向量之间的操作来建模实体之间的关系,经典模型TransE将关系向量视为头尾实体之间的向量差,认为头实体经过关系位移后尽可能的接近尾实体向量。[Translating embeddings for modeling multi-relational data]。RESCAL模型将关系表示为方阵,通过头尾实体和关系的双线性匹配判断关系成立的可能性[A three-way model for collective learning on multi-relational data]。之后的研究一直致力于设计更加合理的实体之间关系的建模方式,例如TransH、TransR、TransG等[Knowledge graph embedding by translating on hyperplanes] [Knowledge graph embedding via dynamic mapping matrix][Representation learning of knowledge graphs with hierarchical types][Learning to represent knowledge graphs with Gaussian embedding]
        此外,还有许多研究工作在考虑建模实体关系之间的基础上,进一步加入一些其他形式的信息来辅助表示学习,例如实体的类型[Semantically smooth knowledge graph embedding][Representation learning of knowledge graphs with hierarchical types.]、关系路径[Compositional vector space models for knowledge base completion.] [Modeling relation paths for representation learning of knowledge bases.] [Traversing knowledge graphs in vector space.]、实体的描述文本[Knowledge graph and text jointly embedding.] [Representation learning of knowledge graphs with entity descriptions] [Text-enhanced representation learning for knowledge graph]、甚至一些逻辑规则[Injecting logical background knowledge into embeddings for relation extraction.] [jointly embedding knowledge graphs and logical rules.] [ Lifted rule injection for relation embeddings.][Knowledge graph embedding with iterative guidance from soft rules.]
        基于符号表示的知识推理方法需要大量的不同的路径作为特征,对于大型知识图谱,随着关系类型的增加,路径的个数快速增加。基于向量表示的一些方法通过计算向量的相似度反映语义的相似度,但是基于向量表示的模型大多只能推理单个关系,不支持相连关系的推理,如基于矩阵补全、张量分解的方法,在一些复杂任务上需要对多跳路径进行推理的能力。
        2015年ICLR作者提出一个一般化的实体以及表示框架,并提出一个基于表示学习方法的逻辑规则挖掘算法,这些逻辑规则可以通过组合关系embedding方法得到,通过矩阵乘法来表示组合关系的语义,逻辑规则挖掘算法优于规则挖掘系统AMIE[embedding entities and relations for learning and inference knowledge base ]。
        2015年发表在 IJCNLP论文提出了一个基于RNN的关系推理模型,该推理模型支持多跳推理,并且支持zero-shot 知识补全[Compositional Vector Space Models for Knowledge Base Completion],但是上面的一个RNN模型只适合一个关系的学习,在现实中是不适用的,因此有学者提出了联合学习和推理关系类型、实体以及实体关系模型,使用注意力机制在多条路径上进行推理,并且只训练一个RNN模型可以预测所有的关系类型[Chains of Reasoning over Entities, Relations, and Text using Recurrent Neural Networks]。
        使用基于表示学习的方法,丢失了原始知识库支持组合查询的优势,性能受困于级联错误的影响,通过组合训练向量空间模型缓解单边训练中性能受困于级联错误的影响,在回答路径查询中取得较好的效果。[Traversing Knowledge Graphs in Vector Space]。
        在大型知识图谱中,一些浅层的链接预测模型常常用来做链接预测任务,浅层的链接预测模型缺乏提取深层次特征的,链接预测效果也不会很好。为了增加模型提取特征的能力,可以采用增加 embedding size的方法,但对于大型知识图谱是不合适的,参数的数量与实体以及关系的个数成正比。或者可以采用增加神经网络层数的方法,但是这样容易造成过拟合现象。为了解决规模与过拟合的矛盾,有学者设计一种参数高效的、计算快速的2D 卷积神经网络用来做知识图谱的表示学习[convolutional 2D knowledge graph embedding] 。
    2. 基于图特征
        基于图特征的方法主要是通过从知识图谱中抽取图特征的方式来预测两个实体之间可能存在的关系。例如知识图谱中存在关系()(哈登,效力、火箭队)()(保罗、效力、火箭队),那么可以预测哈登和保罗是队友关系。知识图谱中包含的仅仅是实体之间的二元关系,规则和知识图谱中的关系路径存在对应的关系,因此可以考虑将实体之间的联通路径作为特征来学习目标关系的分类器。例如路径排序算法(PRA)是经典的基于路径的方法[Relational retrieval using a combination of path-constrained random walks. Machine Learning],它使用具有基于重启的推理机制的随机游走来执行多个有界深度优先搜索过程以找到关系路径,与弹性网络相结合,使用监督学习的方法选择更可能的路径,PRA算法是在完全离散空间中进行,这使得在评估和比较相似的实体和关系变得困难。一些基于PRA模型的链式推理以及组分推理方式,利用PRA算法获得多跳路径作为输入来推断实体之间的关系[Compositional Vector Space Models for Knowledge Base Completion]。
        2017年NIPS提出了Neural LP模型,将推断任务编译成可微的数值矩阵序列,可微的系统可以学习由一阶逻辑规则集合组成的模型,允许使用基于梯度的优化方法和目标规划框架。[Differentiable Learning of Logical Rules for Knowledge Base Reasoning]。
        另外一方面,近年来很多研究将路径寻找问题建模为一个马尔科夫决策过程,利用强化学习方法最大化奖励,例如DeepPath模型,使用基于翻译的embedding方法编码智能体在连续空间中的状态,通过采样关系增量的扩展路径,使用新的奖励函数进行基于策略梯度的训练,目的是提高准确性、多样性、效率。通过在奖励函数中引入不同的标准,更好的控制路径寻找的过程[DeepPath: A Reinforcement Learning Method for Knowledge Graph Reasoning]。MINERVA模型使用强化学习训练了一个端到端的模型用于知识图谱上的查询问答,给定一个关系和源实体,训练智能体在没有预先计算好路径的条件下在知识图谱上搜索候选答案。[GO FOR A WALK AND ARRIVE AT THE ANSWER: REASONING OVER PATHS IN KNOWLEDGE BASES USING REINFORCEMENT],这种基于行走的查询问答在训练时有很大的挑战:
        1. 智能体到达一个正确的答案,但是在训练图中缺少到源实体的链接,因此不会获得任何奖励。(假阴)
        2. 没有正确的路径用于训练,智能体只会偶然的到达一个正确的答案(假阳)。
        基于路径的问答框架存在上述两个问题,针对上面提到的两个问题进行了改进。1. 预训练一个目前最好的基于embedding的模型去估计一个软奖励对于目标实体的正确性没有办法确定 2. 随机的进行action dropout, 在训练的每一步随机的锁住外向边,来鼓励选择多样性的路径,淡化假阳的负面影响[Multi-Hop Knowledge Graph Reasoning with Reward Shaping]。
        知识图谱推理问题可以归结为两步:路径寻找和路径推理。目前的方法大部分注意力在其中一步中,缺少两步之间的交互,这对理解多样化的输入造成阻碍,使得模型对噪声的影响十分敏感。为了增加模型的鲁棒性,处理增加复杂的环境,需要提高两个步骤的交互,将这个问题建模为潜在变量图模型,将路径作为潜在的变量,关系作为给定实体对后可以观察的变量,因此将路径寻找模块作为一个先验分布来推断潜在的链接,路径推理模块作为一个似然分布,将潜在链接分为多个类别。基于上面的假设,引入一个近似后验模块并设计一个变分自编码器(VAE)(DIVA)。
      [Variational Knowledge Graph Reasoning]

    性能表现

    常用数据集FreeBase15, NELL-995
    任务:标准的链接预测任务上
    性能表现

    Model 12-relation MAP 9-relation MAP
    PRA 67.5 -
    TransE 75.0 -
    TransR 74.0 -
    TransD 77.3 -
    TransH 75.1 -
    MINERVA - 88.2
    DeepPath 79.6 80.2
    RNN-Chain 79.0 80.2
    CNN Path-Reasoner 82.0 82.2
    DIVA 88.6 87.9
    Table 1. MAP results on the NELL dataset
    Model 20-relation MAP
    PRA 54.1
    TransE 53.2
    TransR 54.0
    MINERVA 55.2
    DeepPath 57.2
    RNN-Chain 51.2
    CNN Path-Reasoner 54.2
    MML 58.7
    DIVA 59.8
    Table 2. Results on the FB15k dataset

    问题

    参考文献

    展开全文
  • 作者:费斌杰本文约4200字,建议阅读8分钟本文聚焦于知识推理的理论研究和产业实践,剖析知识图谱推理的前世今生以及最近研究进展,以飨读者。[ 导读]业界和学界对知识图谱的关注主要集中于...

    作者:费斌杰

    本文约4200字,建议阅读8分钟

    本文聚焦于知识推理的理论研究和产业实践,剖析知识图谱推理的前世今生以及最近研究进展,以飨读者。

    [ 导读 ]业界和学界对知识图谱的关注主要集中于两大领域,分别是知识图谱的构建和知识图谱的应用。

    前者聚焦于通过对结构化、非结构化数据的整合,实现统一形式的数据存储;后者则着眼于通过算法对海量知识图谱数据进行学习与挖掘,从而推理出新的知识,服务于具体行业应用。知识图谱推理在其中发挥了重要作用,被誉为知识图谱领域的皇冠

    本文聚焦于知识推理的理论研究和产业实践,剖析知识图谱推理的前世今生以及最近研究进展,以飨读者。

    一、演绎推理与归纳推理

    推理,是运用已知的知识来得出未知的知识的过程。按推理方式的不同,可以分为两大类别,分别是演绎推理(Deductive Reasoning)、归纳推理(Abductive Reasoning)。

    演绎推理指的是根据严格的逻辑关系,从给定的假设下,得出必然成立的结论。最常见的演绎推理形式有20多种,这里举例说明:

    • 肯定前件论:如果今天是周末,那么我们不上班;今天是周六,所以推理得出我们不上班;

    • 否定后件论:如果今天是周末,那么我们不上班;今天我来上班了,所以推理得出今天不是周末;

    • 三段论:如果今天是周末,那么我们不上班;如果我们不上班,那么早上可以睡懒觉;所以推断出如果今天是周末,我们早上就可以睡懒觉;

    • 二难论:如果是周六,那么我打球;如果是周日,那么我看书;假设我不知道今天具体是周几,但是我知道今天肯定是周末,要么是周六要么是周日,那么可以推断出今天我要么打球要么看书;

    • 德摩根定律:p与q取否等价于非p或非q;p或q取否定等价于非p与非q

    除此之外,还有换位率、排中律、吸收率等等。

    图:常见演绎推理形式列举

    与此相对,归纳推理是指基于已有的部分观察结果,从而推断出一般化结论的过程。归纳推理不能确保推理结果的完全准确,而演绎推理可以。

    归纳推理有四种推理方向:

    • 泛化归纳:把对个体的观察得出的结论推广到整体;

    • 简单归纳:把对整体的统计结论应用于个体;

    • 溯因归纳:根据观察的结果和现有知识来推断最有可能的原因;

    • 类比归纳:根据对一个样本的观察来预测另一个相似样本的结果

    归纳推理的集大成者就是著名的贝叶斯推理,其核心思想是:不只通过观察最新一次的实验结果来定概率,而是把这作为一次证据(似然概率),来修正历史的先验概率,从而得出一个新的后验概率,如此往复,不断逼近真实概率。

    图:贝叶斯推理示意

    常见的演绎推理方法有基于描述逻辑的推理、和基于逻辑编程的推理。常见的归纳推理方法有基于图结构的推理、基于规则学习的推理、基于表示学习的推理。下面我们分别展开讨论。

    二、基于描述逻辑的推理

    描述逻辑(Description Logic),简称DL,是一种用于知识表示的逻辑语言,和知识推理的形式化工具。

    一个DL系统包含四个组成部分,分别是描述语言、Tbox、Abox、以及基于Tbox和Abox上的推理机制。其中Tbox(Terminology Box)是关于概念和关系的断言,Abox(Assertion Box)是关于个体实例的断言。

    图:描述逻辑组成架构

    通过Tbox和Abox,我们可以把知识库中复杂的实体关系推理问题转化为一致性的校验问题,从而简化推理实现过程。

    举个例子,“苹果 ∩ 绿色 = 酸涩”这属于概念断言,放在Tbox中;“我手里现在有10只苹果,其中3只是绿色的“,这属于实体断言,放在Abox中。基于Tbox和Abox,我们可以推理出我手中的苹果里有3只是酸涩的,7只是甘甜的,这属于推理系统。

    基于描述逻辑的推理体系中,常见的是基于表运算(Tableaux)的推理,经常被用于检测描述逻辑知识库的一致性。

    Tableaux算法的核心思想是如果我要证明一个推理是正确的,那我只要列出所有可能存在反例,并且一一驳斥就好了,即只要不存在反例那么推理就是正确的,所谓归结反驳

    Tableaux其实就是一棵公式树,它会根据前提(Premises)和否定结论(Negated Conclusion)来不断迭代创建新的分支,对公式进行逐级分解,当所有分支都关闭后,Tableaux算法就会被终止。

    图:Tableaux算法示意

    目前已经有不少公开的基于表计算的推理系统,如曼彻斯特大学研发的FaCT++、美国Franz公司研发的Racer、马里兰大学研发的Pellet、牛津大学研发的HermiT,其中HermiT实现了Hypertableaux的超表运算技术,进一步提高了Tableaux算法的运算效率。

    三、基于逻辑编程的推理

    基于逻辑编程的推理方法的主要载体是Datalog语言。Datalog发源于Prolog语言,后者是一门非常与众不同的编程语言,它不是用来开发软件的,而是专门用来解决逻辑问题的。

    Prolog的全称是Programming of Logic,就是逻辑编程的含义。只需要我们给出规则和事实,它就会自动分析其中的逻辑关系,并且允许用户通过查询的方式来完成复杂的逻辑运算。Prolog语言在早期人工智能研究中有着非常广泛的应用,主要用于专家系统的构建。

    Datalog是一种基于Prolog并且适应于知识库的改进型语言,是一种受限的Prolog语言,可以看做是Prolog语言的一个子集,它的好处是能够方便的与大型数据库进行交互,是一种完全的声明式语言,便于撰写规则和实现推理。

    目前最常用的Datalog工具包括德国吉森大学研发的DLV(Datalog with Disjunction)、由波茨坦大学研发的Clingo、由牛津大学研发的RDFox等。

    四、基于图结构的推理

    基于图结构推理的典型算法是PRA(Path Ranking Algorithm),它利用了实体与实体之间的路径作为特征,从而对链接路径进行统计推理。

    PRA算法的原理比较明了,假设一张图谱中有三类实体:员工实体、公司实体、行业实体。假设小明是熵简科技的员工,熵简科技是金融科技领域的公司,那么小明是金融科技领域的从业者。同事小红是启明星辰的员工,启明星辰是信息安全领域的公司,那么小红是信息安全领域的从业者。

    通过统计可以发现,“供职于”、“是某某领域的公司”这两种关系组成的路径与“是某某领域的从业者”在图谱中经常出现,而且与员工实体、公司实体、行业实体具体是谁没有关系,因此能够得出一种重要的推理关系。

    看似这是一个非常简单的直觉化的结论,但是常识恰恰是机器所不具备的能力。PRA算法能够通过对海量知识的学习,让机器从统计意义上掌握常识,从而进行有效的知识推理。

    五、基于规则学习的推理

    基于规则学习推理的代表算法是AMIE算法,其强调通过自动化的规则学习方法,快速有效的从大规模知识图谱中学习出置信度较高的规则,并且应用于推理任务。

    这里的重点在于如何对机器学习出的规则进行有效性评估,有三类方法,分别是支持度评估、置信度评估、规则头覆盖度评估,这里以支持度为例进行说明。一个规则的支持度等于在整个知识图谱中满足规则主体和规则头的实例总个数。一个规则的支持度越高,说明在该知识图谱中存在很多符合这条规则的实例,因此从统计意义上来看,这更可能是一条准确的规则。

    AMIE算法的全称是基于不完备知识库的关联规则挖掘算法(Association Rule Mining under Incomplete Evidence)。由于在大规模知识图谱中对所有可能的规则进行遍历及评估是不可行的方法,因此如何对空间进行有效的搜索成为了规则学习任务中的重中之重。

    AMIE算法通过不断向规则中添加三类挖掘算子(Mining Operators)的方法来拓展规则主体部分,保留支持度高于阈值的候选闭式规则,这三类挖掘算子分别是悬挂边、实例边、闭合边。

    • 悬挂边指的是边的一端是一个未出现过的变量、另一端是在规则中已出现过的变量或变量;

    • 实例边指的是边的一端是规则中已经出现过的元素,另一端是一个实例化的实体;

    • 闭合边指的是连接两个已经存在于规则中的元素,一旦完成闭合边的添加,规则的构建就算是完成了。

     六、基于表示学习的推理

    基于图结构的推理和基于规则学习的推理都对推理所需的特征进行了显示定义,而基于表示学习的推理则通过将符号表示映射到向量空间进行数值表示,利用算法在学习知识表示的过程中自动捕捉知识推理所需的特征。

    基于表示学习的推理受到NLP领域中关于词向量研究的启发,例如大家熟知的vec(King) - vec(Queen) = vec(man) - vec(woman),人们发现词向量具有空间平移性的特征。基于此,人们提出了基于表示学习的推理算法,主要有TransE、TransH、TransR、TransD等算法。这类方法的特点在于能够有效减少维度灾难问题,同时可以捕捉实体和关系之间的隐性关联,计算效率较高。

    TransE是这一系列算法的鼻祖,全称是Translating Embeddings for Modeling Multi-relational Data。其核心思想在于使得Head向量和Relation向量的和能够尽可能靠近Tail向量。

    实践表明TransE是一种简单高效的知识图谱表示学习方法,能够自动且较好的捕捉推理特征,无需人工设计,非常适合于大规模复杂的知识图谱推理任务。

    然而Trans也存在瓶颈,按关系头尾实体个数比例划分,知识图谱中的关系可以分为四类:1对1、1对N、N对1、N对N。TransE能够有效捕捉1对1的关系,但对于另外三类情况则无法有效识别。

    基于此,人们进一步提出了TransH算法,全称是Knowledge Graph Embedding by Translating on Hyperplanes。其核心思想是将关系解释为超平面上的转换操作,每个关系都表示为两个向量,分别是超平面上的范数向量和超平面上的平移向量

    如果说TransH通过引入超平面有效提升了TransE表达非1对1关系的能力,那么TransR则是通过拆分实体向量表示空间和关系向量表示空间的方式来提升TransE的表示能力。

    例如(中国,包含,上海市),这里的关系是包含;(小明,是朋友,小红)的关系是朋友,这两种关系截然不同,把它们放在同一个向量空间中进行表示是不合理的。

    为了解决这个问题,TransR算法在两个不同的空间,即实体空间多个关系空间中对实体和关系进行建模,并在对应的关系空间中进行转换。

    TransR有效增强了表示学习的表达能力,但它也有不足之处,其中最明显的问题在于TransR为每个关系引入了一个映射矩阵,使得其参数数量远大于TransE和TransH,因此难以应用于大规模知识图谱。

    为解决这个问题,人们进一步提出了TransD算法。TransD的核心思想在于用一个实体相关的向量与一个关系相关的向量的外积来动态的求解出映射矩阵。通过动态计算映射矩阵,TransD不仅可以显著降低参数数量,而且增强了全局捕捉能力。

    反过来看,TransE模型是TransR模型中的一个特例,当关系和实体的向量表示维度相等,且所有投影向量都设置为0时,TransR就退化为TransE。

    七、结语

    知识推理是一门古老的学科,从亚里士多德在《前分析篇》中阐述的经典三段论开始(亚里士多德是人;人都会死;所以亚里士多德会死),人们就对知识推理进行了理论探索与实践。

    随着近年来技术的飞速发展,越来越多的知识图谱自动化构建方法被学界和业界提了出来,比如通过算法对海量文本进行三元组提取,使得大规模知识图谱的构建成为了可能。但这类知识图谱的信息准确度冗余度都稍逊于通过专家知识进行人工搭建的知识图谱。

    在这种自动化构建的大规模知识图谱上进行知识推理时,知识的不精确性以及巨大的数据规模对于演绎推理来说是巨大的挑战,而归纳推理则可以发挥更大的价值。

    近年来,知识图谱领域学术界和产业界的互动越发紧密,随着开源工具Jena、JBoss的推出与普及,知识图谱推理将对现代企业知识图谱应用起到愈发重要的作用。 

    作者信息:费斌杰,熵简科技创始人兼CEO,长期深耕金融资管数据科技一线,对数据中台、知识图谱的技术实践和产业应用有深入理解,曾就职于嘉实基金,毕业于清华大学五道口金融学院、清华大学工业工程系。

    编辑:王菁

    校对:林亦霖

    展开全文
  • 基于知识图谱推理

    千次阅读 2019-08-14 20:59:52
    基于知识图谱推理的关系推演: https://zhuanlan.zhihu.com/p/42340077

    基于知识图谱推理的关系推演:
    https://zhuanlan.zhihu.com/p/42340077
    Trans系列知识表示学习方法梳理
    https://zhuanlan.zhihu.com/p/32993044

    展开全文
  • 基于知识图谱推理的关系推演

    千次阅读 2020-10-15 11:07:15
    对于知识图谱的关注可以分为两个方面:知识图谱的构建和基于...本文主要讲一下基于知识图谱推理的关系推演(或者叫做关系预测),主要包括如下几个方面: 1、知识图谱推理的主要作用; 2、知识图谱推理的基本原理;
  • 近年来,知识图谱问答任务取得较大进展,但当问题变得复杂,涉及多个实体的比较和推理时,机器尚不能很好地解答。如何让机器像人类一样学会推理,从而处理复杂问题,是当前的一个研究热点和难点。
  • 知识图谱推理的几种方式

    万次阅读 2018-07-16 09:44:58
    知识图谱推理的学习链接:知识图谱推理学习
  • AI TIME PhD 知识图谱专题-3《知识图谱推理问答综述》2020年6月19日 19:30-20:30AI TIME PhD 知识图谱专题主题讲者时间大规模在线教育中的知识智能于济...
  • 基于Att_GCN模型的知识图谱推理算法(网络首发)
  • 知识推理是在已有的事实和逻辑规则的基础上推理知识的机制一般来说,知识推理是运用已知知识的过程知识推断新知识。 给出知识推理定义、知识推理方法、知识推理应用和机遇与挑战
  • 以下附上最新知识图谱推理(共包含50页ppt),由Salesforce首席科学家Richard Socher撰写发布。
  • 然而, 基于表示学习实现的知识图谱推理和链接预测丢失了传统符号计算方法的可解释性,即:模型无去对基于向量计算或神经网络训练后得出的推理结论进行解释,导致只知结果但不知为什么。在很多真实的应用场景下,...
  • 知识图谱推理的主要方法 • 基于描述逻辑的推理(如DL-based) • 基于图结构和统计规则挖掘的推理(如: PRA、 AMIE) • 基于知识图谱表⽰学习的推理(如: TransE) • 基于概率逻辑的⽅法(如: Statistical ...
  • 来源:AI TIME 论道本文约6000字,建议阅读10分钟本文将结合知识图谱推理问答的数据集,为大家梳理主流的研究方法,分析各种方法的优缺点,并对将来的研究工作作出展望。标签:知识图谱...
  • 回答大规模知识图谱上的复杂逻辑查询是一项基本而又具有挑战性的任务。在本文中,我将概述如何使用向量空间嵌入在知识图谱中执行逻辑推理
  • 在本论文中,加州大学圣塔芭芭拉分校的王威廉等研究者在知识图谱推理中引入了变分推理框架,并将路径搜索和路径推理紧密结合从而进行联合推理,这种方法提升了知识图谱推理模型的稳定性。自动推理(Automated ...
  • 知识图谱推理与实践(1) 由于工作原因,需要在系统里建立图谱推理功能,因此简单学习了浙江大学 陈华钧教授 知识图谱导论课程课件,这里记录下学习笔记。 知识图谱推理的主要方法 • 基于描述逻辑的推理(如DL-...
  • 本文解读了两篇不同框架的论文:一篇是基于知识图谱的向量嵌入技术,完全基于向量操作进行推理演算;另一篇是基于 Neural Logic Programming 框架,并进一步解决了数值推理的问题。
  • 带有回报调整的多跳知识图谱推理 链接:https://arxiv.org/pdf/1808.10568.pdf 多跳推理是在不完全知识图谱(KG)上解析问答(QA)的有效方法。这个问题可以由强化学习(RL)进行规划,基于策略的代理持续地扩展...
  • 知识图谱推理综述

    2020-05-09 19:10:41
  • 作者:张文,浙江大学在读博士,研究方向为知识图谱的表示学习,推理和可解释。本文是我们与苏黎世大学以及阿里巴巴合作的工作,发表于WWW2019,这篇工作将知识图谱推理的两种...
  • 知识图谱推理与实践(1) 由于工作原因,需要在系统里建立图谱推理功能,因此简单学习了浙江大学 陈华钧教授 知识图谱导论课程课件,这里记录下学习笔记。 知识图谱推理的主要方法 • 基于描述逻辑的推理(如DL-...
  • 带有回报调整的多跳知识图谱推理(二) 基于知识的回报调整 按照等式1,代理仅仅基于G中观察到的答案收到2元回报。然而G是不完全的并且这个方法对错误负例搜索结果的回报和正确负例的相同。为缓和这个问题,使用现有...
  • 基于知识图谱推理作为知识图谱问答的基础,也是有着不同的解决框架,本文解读了两篇不同框架的论文:一篇是基于知识图谱的向量嵌入技术,完全基于向量操作进行推理演算;另一篇是基于Neural Logic Programming框架...
  • Relational retrieval using a combination of path-constrained random walks论文相关信息解决什么问题?如何解决的?数据和方法。Path-Ranking Algorithm(PRA)...文章提出的PRA算法是知识图谱推理的早期探索,在RWR
  • 在这次演讲中,我将介绍我们在学习知识推理逻辑规则方面的最新进展。逻辑规则在用于预测和推广到其他任务时提供了可解释,因此是学习的关键。现有的方法要么面临在大搜索空间中搜索的问题(如神经逻辑编程),要么...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 607
精华内容 242
关键字:

知识图谱推理