论文部分内容阅读
知识图谱是一种简单有效的存储知识的方式,近年来许多开放域和垂直域的大型知识图谱被构建起来并得到了广泛的应用。知识表示和推理是人工智能研究中的重要课题,随着大数据时代的到来和计算能力的提升,原本符号化的知识表示和推理在逐渐向向量空间迁移,可以通过将知识元素映射到低维的向量空间中并基于向量空间的计算完成推理,这种基于向量空间计算的推理称为可微的推理,本文围绕可微的知识图谱推理及其应用展开研究。
可微知识图谱推理方法因其高效和智能的优势备受青睐,其中高效体现在使用向量计算代替符号搜索和遍历,智能体现在不需要人工设置或输入推理规则即可完成推理,因此在大型知识图谱上可微推理具有明显的优势。但在获得更优的推理效果以及更广泛的应用过程中,可微知识图谱推理也面临着许多挑战,本文针对以下四点挑战展开了细致的研究:(1)多样性挑战,包括图结构的多样性以及推理过程的多样性;(2)可解释性挑战,包括如何为推理结果提供解释以及设计可解释的可微推理模型;(3)混合推理挑战,包括融合可微的归纳推理和可微的演绎推理以及实现优势互补;(4)应用性挑战,包括在实际场景中的应用以及在其他学术任务上的应用。
针对以上挑战,我们进行了以下6项研究:(1)融合图结构多样性的可微知识图谱推理,这项研究主要分析了多样性挑战中的图结构多样性,提出了解构单关系环结构以及编码多种常见图结构的方法;(2)编码实体和关系交叉交互的可微知识图谱推理及其可解释性评估,这项研究主要分析了多样性挑战中的推理过多样性以及如何评估模型提供解释的能力,设计了显式模拟实体和关系交叉交互的方法,并提出了通用的统计指标用于评估模型为其预测提供解释的能力;(3)迭代的可微知识图谱混合推理,这项研究主要分析了知识图谱嵌入表示学习以及传统规则学习方法各自的优劣,提出了一种迭代进行可微表示学习和可微规则学习的方法,能够实现两个任务之间的优势互补,并达到混合推理效果;(4)可微知识图谱推理在电商场景中的应用,综合应对了可解释性、混合推理以及应用性的挑战,分析了实际应用中的三种需求,并提出了一种新的可微知识图谱推理框架,能够实现有偏推理、提供解释以及生成规则的目标;(5)可微知识图谱推理在关系抽取中的应用,这项研究分析了远程监督标注的数据中包含大量噪音的问题,并利用可微知识图谱推理方法进行数据降噪,提出了一种免标签的远程监督关系抽取方法;(6)可微知识图谱推理在实体和文本对齐中的应用,这项研究分析了融合表示结构化知识图谱信息和非结构化文本信息的难点,提出了一种基于正则的多任务实体和描述文本对齐的方法,在保留了文本和实体各自的表示学习特征的基础上实现了对齐目标。
可微知识图谱推理方法因其高效和智能的优势备受青睐,其中高效体现在使用向量计算代替符号搜索和遍历,智能体现在不需要人工设置或输入推理规则即可完成推理,因此在大型知识图谱上可微推理具有明显的优势。但在获得更优的推理效果以及更广泛的应用过程中,可微知识图谱推理也面临着许多挑战,本文针对以下四点挑战展开了细致的研究:(1)多样性挑战,包括图结构的多样性以及推理过程的多样性;(2)可解释性挑战,包括如何为推理结果提供解释以及设计可解释的可微推理模型;(3)混合推理挑战,包括融合可微的归纳推理和可微的演绎推理以及实现优势互补;(4)应用性挑战,包括在实际场景中的应用以及在其他学术任务上的应用。
针对以上挑战,我们进行了以下6项研究:(1)融合图结构多样性的可微知识图谱推理,这项研究主要分析了多样性挑战中的图结构多样性,提出了解构单关系环结构以及编码多种常见图结构的方法;(2)编码实体和关系交叉交互的可微知识图谱推理及其可解释性评估,这项研究主要分析了多样性挑战中的推理过多样性以及如何评估模型提供解释的能力,设计了显式模拟实体和关系交叉交互的方法,并提出了通用的统计指标用于评估模型为其预测提供解释的能力;(3)迭代的可微知识图谱混合推理,这项研究主要分析了知识图谱嵌入表示学习以及传统规则学习方法各自的优劣,提出了一种迭代进行可微表示学习和可微规则学习的方法,能够实现两个任务之间的优势互补,并达到混合推理效果;(4)可微知识图谱推理在电商场景中的应用,综合应对了可解释性、混合推理以及应用性的挑战,分析了实际应用中的三种需求,并提出了一种新的可微知识图谱推理框架,能够实现有偏推理、提供解释以及生成规则的目标;(5)可微知识图谱推理在关系抽取中的应用,这项研究分析了远程监督标注的数据中包含大量噪音的问题,并利用可微知识图谱推理方法进行数据降噪,提出了一种免标签的远程监督关系抽取方法;(6)可微知识图谱推理在实体和文本对齐中的应用,这项研究分析了融合表示结构化知识图谱信息和非结构化文本信息的难点,提出了一种基于正则的多任务实体和描述文本对齐的方法,在保留了文本和实体各自的表示学习特征的基础上实现了对齐目标。