人工智能的一个基本问题是对知识图谱(KG)捕获的事实执行复杂的多跳逻辑推理。这个问题是具有挑战性的，因为KGs可能是不完备的。最近的方法是将KG实体嵌入到低维空间中，然后利用这些嵌入来寻找答案实体。然而，如何处理任意一阶逻辑(FOL)查询一直是一个突出的挑战，因为目前的方法仅限于FOL操作符的一个子集。特别地，不支持否定运算符。现有方法的另一个限制是它们不能自然地建模不确定性。在这里，我们提出了一种用于回答KGs中任意FOL查询的概率嵌入框架BETAE。BETAE是第一种可以处理完整的一阶逻辑运算的方法:合取(∧)、析取(不确定)和否定(ed)。BETAE的一个关键观点是使用有界支持的概率分布，特别是Beta分布，以及嵌入查询/实体作为分布，这使得我们也能建模不确定性。逻辑操作由概率嵌入的神经算子在嵌入空间中执行。我们演示了BETAE在三个大的、不完整的KG上回答任意的FOL查询时的性能。虽然BETAE更加通用，但相对于目前最先进的KG推理方法(仅能处理不含否定的连接查询)，它的相对性能提高了25.4%。
https://arxiv.org/pdf/2010.11465
成为VIP会员查看完整内容
Beta Embeddings for Multi-Hop Logical Reasoning in Knowledge Graphs
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。
相关主题
相关VIP内容
相关资讯
相关论文
微信扫码咨询专知VIP会员