知识图谱
知识图谱本质上是语义网络,是一种基于图的数据结构,由节点(“实体”)和边(“关系”)组成。在知识图谱里,每个节点表示现实世界中存在的“实体”,每条边为实体与实体之间的“关系”。知识图谱是关系的最有效的表示方式。
知识图谱就是把所有不同种类的信息(Heterogeneous Information)连接在一起而得到的一个关系网络。知识图谱提供了从“关系”的角度去分析问题的能力。
为什么有关系推理
知识图谱上已经有了非常多的实体对和关系,但是由于数据的更新迭代以及不完整性,注定了这个知识图谱的不完整,同样,他里面也隐藏着我们难以轻易发现的信息。这时就需要关系推理来帮助我们发现这些隐藏的信息。
下面是一个关系推理的例子:我们没有证据直接指明梅琳达·盖茨和西雅图的关系。然而,我们可以通过观察到知识图谱中包含这样的一条路径“梅琳达·盖茨 - 配偶 - 比尔·盖茨 -主席 - 微软 - 总部在 - 西雅图 ”,推测出梅林达可能居住在西雅图。
关系推理的分类
- 分类
关系推理主要有三类:基于逻辑规则,基于知识表达和基于深度学习的- 基于逻辑规则的关系推理
建模依据是采用抽象或者具象的Horn子句- 代表性工作
马尔科夫逻辑网络
贝叶斯网络概率关系模型
基于统计机器学习的FOIL
PRA算法
SFE算法
HiRi算法
- 优势
能够模拟人类的逻辑推理能力,引入人类的先验知识辅助推理 - 缺点
专家依赖,复杂度过高
- 代表性工作
- 基于知识表达的关系推理
建模依据是将实体和关系映射到一个低维的embedding空间中,基于知识的语义表达进行推理建模- 代表性工作
RESCAL张量分解模型
SE关系推理算法
TransE算法(Translating Embedding)
TransM算法
TransG算法
TransH算法
- 优势
生成知识表达时能够充分利用知识图谱已有的结构化信息 - 缺点
建模方法着眼于实体间的直接关联关系,难以利用人类先验知识实现逻辑推理
- 代表性工作
- 基于深度学习的关系推理
- 代表性工作
单层感知机模型SLM
NTN神经张量模型
DKRL模型
Path-RNN模型
- 代表性工作
- 基于逻辑规则的关系推理