在这次演讲中，我将介绍我们在学习知识图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)，要么由于稀疏奖励而无效优化(如基于强化学习的技术)。为了解决这些局限性，本文提出了一个称为RNNLogic的概率模型。RNNLogic将逻辑规则视为一个潜在变量，同时用逻辑规则训练规则生成器和推理预测器。我们开发了一种基于EM的优化算法。在每次迭代中，推理预测器首先更新，以探索一些生成的逻辑规则进行推理。在E-step中，我们通过后验推理从所有生成的规则中选取一组既有规则生成器又有推理预测器的高质量规则;而在M步中，规则生成器将用E步中选择的规则进行更新。在四个数据集上的实验证明了RNNLogic的有效性。
视频：
成为VIP会员查看完整内容
【视频】Learning Symbolic Logic Rules for Reasoning on Knowledge Graphs Part
相关内容
知识图谱（Knowledge Graph），在图书情报界称为知识域可视化或知识领域映射地图，是显示知识发展进程与结构关系的一系列各种不同的图形，用可视化技术描述知识资源及其载体，挖掘、分析、构建、绘制和显示知识及它们之间的相互联系。
知识图谱是通过将应用数学、图形学、信息可视化技术、信息科学等学科的理论与方法与计量学引文分析、共现分析等方法结合，并利用可视化的图谱形象地展示学科的核心结构、发展历史、前沿领域以及整体知识架构达到多学科融合目的的现代理论。它能为学科研究提供切实的、有价值的参考。
Arxiv
0+阅读 · 2021年4月6日
Arxiv
0+阅读 · 2021年4月2日
Arxiv
9+阅读 · 2018年5月31日
相关VIP内容
相关资讯
相关论文
Arxiv
0+阅读 · 2021年4月6日
Arxiv
0+阅读 · 2021年4月2日
Arxiv
9+阅读 · 2018年5月31日
微信扫码咨询专知VIP会员