人工智能的一個基本問題是對知識圖譜(KG)捕獲的事實執行復雜的多跳邏輯推理。這個問題是具有挑戰性的，因為KGs可能是不完備的。最近的方法是將KG實體嵌入到低維空間中，然后利用這些嵌入來尋找答案實體。然而，如何處理任意一階邏輯(FOL)查詢一直是一個突出的挑戰，因為目前的方法僅限于FOL操作符的一個子集。特別地，不支持否定運算符。現有方法的另一個限制是它們不能自然地建模不確定性。在這里，我們提出了一種用于回答KGs中任意FOL查詢的概率嵌入框架BETAE。BETAE是第一種可以處理完整的一階邏輯運算的方法:合取(∧)、析取(不確定)和否定(ed)。BETAE的一個關鍵觀點是使用有界支持的概率分布，特別是Beta分布，以及嵌入查詢/實體作為分布，這使得我們也能建模不確定性。邏輯操作由概率嵌入的神經算子在嵌入空間中執行。我們演示了BETAE在三個大的、不完整的KG上回答任意的FOL查詢時的性能。雖然BETAE更加通用，但相對于目前最先進的KG推理方法(僅能處理不含否定的連接查詢)，它的相對性能提高了25.4%。
付費5元查看完整內容
相關內容
知識圖譜（Knowledge Graph），在圖書情報界稱為知識域可視化或知識領域映射地圖，是顯示知識發展進程與結構關系的一系列各種不同的圖形，用可視化技術描述知識資源及其載體，挖掘、分析、構建、繪制和顯示知識及它們之間的相互聯系。
知識圖譜是通過將應用數學、圖形學、信息可視化技術、信息科學等學科的理論與方法與計量學引文分析、共現分析等方法結合，并利用可視化的圖譜形象地展示學科的核心結構、發展歷史、前沿領域以及整體知識架構達到多學科融合目的的現代理論。它能為學科研究提供切實的、有價值的參考。
題目
Improving Multi-hop Question Answering over Knowledge Graphs using Knowledge Base Embeddings，使用知識庫嵌入改進知識圖上的多跳問答
摘要
知識圖（KG）是由實體作為節點，實體之間的關系作為類型化邊組成的多關系圖。 KG問答（KGQA）任務的目的是回答對KG提出的自然語言查詢。 多跳KGQA要求在KG的多個邊緣進行推理，以得出正確的答案。 KG通常缺少許多鏈接，這給KGQA尤其是多跳KGQA帶來了額外的挑戰。 最近對多跳KGQA的研究已嘗試使用相關的外部文本來處理KG稀疏性，但這種方式并非一帆風順。 在另一項研究中，提出了KG嵌入方法，以通過執行丟失的鏈接預測來減少KG稀疏性。 此類KG嵌入方法盡管非常相關，但迄今為止尚未針對多跳KGQA進行探索。 我們在本文中填補了這一空白，并提出了EmbedKGQA。 EmbedKGQA在執行稀疏KG上的多跳KGQA方面特別有效（但是當知識圖譜不稀疏時，也應該能夠超過基線）。 EmbedKGQA還放寬了從預先指定的鄰域中選擇答案的要求，這是先前的多跳KGQA方法實施的次優約束。 通過在多個基準數據集上進行的廣泛實驗，我們證明了EmbedKGQA在其他最新基準上的有效性。
付費5元查看完整內容
回答大規模知識圖譜上的復雜邏輯查詢是一項基本而又具有挑戰性的任務。在本文中，我將概述如何使用向量空間嵌入在知識圖譜中執行邏輯推理。首先，我將討論預測一對實體之間關系的知識圖譜補全方法:通過捕獲與實體相鄰的關系類型來考慮每個實體的關系上下文，并通過一種新的基于邊的消息傳遞方案進行建模;考慮關系路徑捕獲兩個實體之間的所有路徑;通過一種可學習的注意力機制，自適應地整合關系上下文和關系路徑。其次，我們還將討論QUERY2BOX，這是一個基于嵌入的框架，用于推理使用and、or和存在操作符進行的大量且不完整的KGs中的任意查詢。
付費5元查看完整內容
知識圖譜被廣泛用于提高推薦準確度。知識圖譜上的多跳用戶-物品連接還提供了關于為什么推薦某個項的推理。然而，路徑推理是一個復雜的組合優化問題。傳統的推薦方法通常采用蠻力方法來尋找可行路徑，這導致了與可解釋性和收斂性相關的問題。在本文中，我們通過更好地監督尋路過程來解決這些問題。關鍵思想是用最小的標記努力提取不完美的路徑演示，并有效地利用這些演示來指導尋路。特別地，我們設計了一個基于演示的知識圖推理框架用于可解釋推薦。我們還提出了一個反面的actor批評家(ADAC)模型用于演示導向的尋路。在三個真實基準上的實驗表明，我們的方法比最先進的基準更快地收斂，并且具有更好的推薦精度和可解釋性。
付費5元查看完整內容
題目： Query2box: Reasoning over Knowledge Graphs in Vector Space Using Box Embeddings 在大規模的不完全知識圖譜(KGs)上回答復雜的邏輯查詢是一項基本而又具有挑戰性的任務。最近，解決這個問題的一個很有前景的方法是將KG實體和查詢嵌入到向量空間中，這樣回答查詢的實體就會被嵌入到查詢附近。然而，以前的工作將查詢建模為向量空間中的單點，這是有問題的，因為一個復雜的查詢表示一個可能很大的答案實體集合，但是不清楚如何將這樣的集合表示為單點。此外，以前的工作只能處理使用連詞和存在量詞的查詢。使用邏輯分隔處理查詢仍然是一個有待解決的問題。在這里，我們提出Query2box，這是一個基于嵌入的框架，用于在大量且不完整的KG中使用、和操作符對任意查詢進行推理。，其中框內的一組點對應于查詢的一組回答實體。我們證明了連詞可以自然地表示為盒子的交叉點，同時也證明了一個否定的結果，即處理拆分需要嵌入的維度與KG實體的數量成比例。但是，通過將查詢轉換為析取范式，Query2box能夠以一種可伸縮的方式處理帶有、的任意邏輯查詢。我們演示了query2box在兩個大型KGs上的有效性，并表明Query2box實現了比現有技術高25%的改進。
付費5元查看完整內容
知識圖譜嵌入
·
知識圖譜(KG)嵌入通過學習實體和關系的低維表示來預測缺失的事實。KGs通常表現出層次結構和邏輯模式，必須在嵌入空間中保留這些模式。對于層次數據，雙曲線嵌入方法已經顯示出高保真和精簡表示的前景。然而，現有的雙曲線嵌入方法并不能解釋KGs中豐富的邏輯模式。在本文中，我們介紹了一類雙曲線KG嵌入模型，該模型同時捕獲層次模式和邏輯模式。我們的方法結合了雙曲線反射和旋轉，并注意到模型的復雜關系模式。在標準KG基準上的實驗結果表明，我們的方法在低維平均倒數秩(MRR)方面比以前的基于歐幾里德和雙曲線的方法提高了6.1%。此外，我們觀察到不同的幾何變換捕獲不同類型的關系，而基于注意的變換泛化為多個關系。在高維情況下，我們的方法可以得到最新的MRRs, WN18RR為49.6%，YAGO3-10為57.7%。
付費5元查看完整內容
注冊地址： 北京市海淀區羊坊店路18號2幢3層301-191