题目: Cooperative Reasoning on Knowledge Graph and Corpus: A Multi-agentReinforcement Learning Approach

摘要:

基于知识图谱的推理因其可解释性而备受关注。然而,以往的方法都存在知识图谱不完整的问题,即知识图谱中可能缺失的感兴趣的环节或实体(显式缺失)。而且,以前的大多数模型都假定目标和源实体之间的距离很短,这在真实的KG(如Freebase)上是不正确的(隐式丢失)。对KG的不完全性的敏感性和实体间的远程链接捕获能力限制了这些模型在大KG上的性能。在这篇论文中,我们提出了一个利用文本语料库来弥补这些缺陷的模型,无论是显性的还是隐性的缺失。我们将问答问题建模为知识图谱推理智能体和信息抽取智能体之间的合作任务。每个智能体学习完成自己的任务的技能,在KG上跳跃或从语料库中选择知识,通过正确回答问题获得最大的奖励。推理智能体决定如何为给定的实体和关系找到一个等价的路径。该提取智能体为远程目标实体提供了捷径,或为与来自该发送智能体的消息的显式缺失链接提供了缺失关系。通过这种合作的奖励设计,我们的模型可以在不引入过多不必要的噪声的同时,有策略地增大不完全KG,从而增大搜索空间,降低性能。

作者简介:

翟成祥,美国伊利诺伊大学香槟分校(UIUC)计算机系教授,Willett Faculty Scholar,并在该校的生物信息研究所,信息科学学院,及统计系任兼职教授。于1990年、2002年分别获得南京大学计算机博士学位和卡耐基梅隆大学语言和信息技术博士学位。他的研究兴趣是智能信息系统的一般领域,包括信息检索、数据挖掘、自然语言处理、机器学习及其在生物医学信息学和智能教育系统等领域的应用。

成为VIP会员查看完整内容
20

相关内容

广义上的可解释性指在我们需要了解或解决一件事情的时候,我们可以获得我们所需要的足够的可以理解的信息,也就是说一个人能够持续预测模型结果的程度。按照可解释性方法进行的过程进行划分的话,大概可以划分为三个大类: 在建模之前的可解释性方法,建立本身具备可解释性的模型,在建模之后使用可解释性方法对模型作出解释。
知识图谱嵌入(KGE):方法和应用的综述
专知
46+阅读 · 2019年8月25日
ICLR 2019 | 基于复杂空间关系旋转的知识表示方法
PaperWeekly
10+阅读 · 2019年7月29日
论文浅尝 | Global Relation Embedding for Relation Extraction
开放知识图谱
11+阅读 · 2019年3月3日
论文浅尝 | 基于知识库的自然语言理解 02#
开放知识图谱
8+阅读 · 2019年2月24日
论文浅尝 | 基于知识库的自然语言理解 01#
开放知识图谱
14+阅读 · 2019年2月22日
ACL 2018 论文解读 | 基于深度强化学习的远程监督关系抽取
黑龙江大学自然语言处理实验室
15+阅读 · 2018年12月10日
论文浅尝 | 变分知识图谱推理:在KG中引入变分推理框架
【知识图谱】中文知识图谱构建方法研究
产业智能官
87+阅读 · 2017年10月26日
Arxiv
85+阅读 · 2020年3月4日
VIP会员
相关VIP内容
相关资讯
知识图谱嵌入(KGE):方法和应用的综述
专知
46+阅读 · 2019年8月25日
ICLR 2019 | 基于复杂空间关系旋转的知识表示方法
PaperWeekly
10+阅读 · 2019年7月29日
论文浅尝 | Global Relation Embedding for Relation Extraction
开放知识图谱
11+阅读 · 2019年3月3日
论文浅尝 | 基于知识库的自然语言理解 02#
开放知识图谱
8+阅读 · 2019年2月24日
论文浅尝 | 基于知识库的自然语言理解 01#
开放知识图谱
14+阅读 · 2019年2月22日
ACL 2018 论文解读 | 基于深度强化学习的远程监督关系抽取
黑龙江大学自然语言处理实验室
15+阅读 · 2018年12月10日
论文浅尝 | 变分知识图谱推理:在KG中引入变分推理框架
【知识图谱】中文知识图谱构建方法研究
产业智能官
87+阅读 · 2017年10月26日
微信扫码咨询专知VIP会员