网站建设心得8000字,怎么做网站设,南京核酸最新通知,西安网站关键词优化推荐Citation:Shu Guo, Quan Wang, Lihong Wang, Bin Wang, Li Guo.Knowledge Graph Embeddingwith Iterative Guidance from Soft Rules. AAAI 2018. 动机知识图谱的分布式表示旨在将知识图谱中的实体和关系表示到连续的向量空间中#xff0c;本文考虑的问题是如何将知识库的分布… Citation:Shu Guo, Quan Wang, Lihong Wang, Bin Wang, Li Guo.Knowledge Graph Embeddingwith Iterative Guidance from Soft Rules. AAAI 2018. 动机知识图谱的分布式表示旨在将知识图谱中的实体和关系表示到连续的向量空间中本文考虑的问题是如何将知识库的分布式表示和逻辑规则结合起来并提出了一个新的表示学习方法 RUGE(Rule-Guided Embedding)。贡献1本文提出了一种新的知识图谱表示学习方法 RUGERUGE 在向量表示(embeddings)的学习过程中迭代地而非一次性地加入了逻辑规则的约束。2本文使用的是已有算法自动挖掘的规则RUGE 的有效性证明了算法自动挖掘的规则的有效性。3本文提出的方法 RUGE 具有很好的通用型对于不同的逻辑规则和不同置信度的规则的鲁棒性较好。方法 RUGE1. RUGE 方法的输入有三个部分1) 已标记的三原组知识库中已有三元组2) 未标记的三元组知识库中不存在的三元组。在这篇论文中未标记的三元组只考虑了能够由逻辑规则推导出的三元组。3) 概率逻辑规则本文主要考虑了一阶谓词逻辑规则每一个逻辑规则都标有一个成立的概率值。实验中使用的概率规则来自于规则自动挖掘系统 AMIE。 2. 模型核心想法如下3. 三元组表示本文采用了 ComplEx 作为基础的知识库分布式表示学习的模型在ComplEx中每一个实体和关系都被表示为一个复数向量一个三元组 (e_i,r_k,e_j) 的得分函数设计如下其中 Rex 表示取 x 实部的值bar{e}_j 为 e_j 的共轭向量。正确的三元组得分函数值会较高而不正确的三元组得分函数的值会较低。4. 逻辑规则的表示本文借鉴了模糊逻辑的核心思想将规则的真值看作其组成部件真值的组合。例如一个已经实例化的规则 (e_u, e_s,e_v) (e_u, e_t,e_v) 的真值将由 (e_u, e_s,e_v) 和 (e_u, e_t,e_v) 的真值决定。根据(Guo et al. 2016)的工作不同逻辑算子的真值计算如下由上三式可推出规则真值计算公式此规则计算公式是后面规则应用的一个重要依据。5. 未标记三元组标签预测这一步是整个方法的核心目的在于对未标记三元组的标签进行预测并将这些三元组添加到知识图谱中再次进行知识图谱的分布式表示学习训练修正向量结果。标签预测的过程主要由两个目标 i. 目标一预测的标签值要尽可能接近其真实的真值。由于预测的三元组都是未标记的本文将由当前表示学习的向量结果按照得分函数计算出的结果当作其真实的真值。 ii. 目标二预测的真值要符合对应逻辑规则的约束即通过规则公式计算出的真值要大于一定的值。其中应用的规则计算公式如下其中 φ(e_u, e_s,e_v) 是当前向量表示计算的结果s(e_u, e_t,e_v) 是要预测的真值。真值预测的训练目标如下通过对上式对求 s(x_u) 导等于 0 可得到 s(x_u) 的计算公式6. 向量表示结果的修正将预测了标签的三元组添加到知识图谱中和已由的三元组一起进行训练来修正向量学习优化的损失函数目标如下上式前半部分是对知识图谱中真实存在的三元组的约束后半部分为对预测了标签的三元组的约束。 以上步骤在模型训练过程中迭代进行。实验链接预测从实验结果可以看出规则的应用提升了表示学习的结果。 论文笔记整理张文浙江大学博士在读研究方向知识图谱的分布式表示与推理。OpenKG.CN中文开放知识图谱简称OpenKG.CN旨在促进中文知识图谱数据的开放与互联促进知识图谱和语义技术的普及和广泛应用。转载须知转载需注明来源“OpenKG.CN”、作者及原文链接。如需修改标题请注明原标题。点击阅读原文进入 OpenKG 博客。
