【论文】用于推理的概率逻辑神经网络（Probabilistic Logic Neural Networks for Reasoning）

题目： Probabilistic Logic Neural Networks for Reasoning

摘要：

知识图谱推理的目的是通过对观测到的事实进行推理来预测缺失的事实，它在许多应用中起着至关重要的作用。传统的基于逻辑规则的方法和近年来的知识图谱嵌入方法都对这一问题进行了广泛的探讨。马尔可夫逻辑网络(MLN)是一种有原则的基于规则的逻辑方法，它能够利用一阶逻辑的领域知识，同时处理不确定性。然而，由于其复杂的图形结构，MLNs的推理通常是非常困难的。与MLNs不同的是，知识图的嵌入方法(如TransE、DistMult)学习有效的实体嵌入和关系嵌入进行推理，这样更有效、更高效。然而，他们无法利用领域知识。在本文中，我们提出了概率逻辑神经网络(pLogicNet)，它结合了两种方法的优点。pLogicNet使用一阶逻辑的马尔可夫逻辑网络定义所有可能的三联体的联合分布，该网络可以通过变分EM算法进行有效优化。采用知识图谱嵌入模型推断缺失的三联体，根据观测到的三联体和预测到的三联体更新逻辑规则权值。在多个知识图谱的实验证明了pLogicNet在许多竞争基线上的有效性。

作者：

瞿锰是蒙特利尔学习算法研究所的一年级博士生，之前，在伊利诺伊大学香槟分校获得了硕士学位，此外，在北京大学获得了学士学位。主要研究方向为机器学习、贝叶斯深度学习、数据挖掘和自然语言处理。