关系推理

  

       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

    

关系推理分类

• 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
  • 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
  • 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​​​