知识图谱中的关系推理

关系推理

就我的理解而言，虽然目前的知识图谱上已经有了非常多的实体对和关系事实，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。在论文中，给出了一个非常经典的介绍：

For example, we may have no evidence directly linking Melinda Gates and Seattle, however, we may infer with some likelihood that Melinda–lives-in– Seattle, by observing that the KB contains the path Melinda–spouse–Bill–chairman–Microsoft–HQ-in–Seattle. 比如说，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。 这就是一个完整的、从关系推导出结果的例子。

或许你会说，这条路径多简单，是个人都能猜到。那么从100条这样的路径中呢？你会得出怎样的信息，会如何对信息的选择进行预判，你得出的信息又到底是对是错？这就是关系推理需要进行的工作了。

目前国内外的关系推理模型主要基于三类：

先放两张便于大家理解的图

基于逻辑规则的关系推理

1. 建模依据：采用抽象或具象的Horn子句
2. 本质：基于逻辑规则进行推理
3. 代表性工作：
   • 马尔科夫逻辑网络（Markov Logic Network）模型
   • 基于贝叶斯网络的概率关系模型（Probabilistic Relational Models)
   • 基于统计机器学习的FOIL（First Order Inductive Learner）算法
   • PRA算法（Path Ranking Alogorithm）
   • SFE（Subgraph Feature Extraction）算法
   • HiRi（Hierarchical Random-walk inference）算法
4. 优势：能够模拟人类的逻辑推理能力，有可能引入人类的先验知识辅助推理
5. 缺点：尚未有效解决优势所带来的的一系列问题，包括专家依赖、复杂度过高等问题
6. 发展趋势
   1. 逐渐摒弃对人工规则的依赖
   2. 转而借助模式识别的方式进行规则（模式特征）发现
   3. 采用机器学习方法进行特征建模

基于知识表达的关系推理

1. 建模依据：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
2. 代表性工作：
   • RESCAL张量分解模型（Tensor Factorization Model）
   • SE（Structured Embedding）关系推理算法
   • TransE（Translating Embedding）算法
   • TransH算法
   • TransM算法
   • TransG模型
3. 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
4. 缺点：建模方法着眼于实体间的直接关联关系，难以引入并利用人类的先验知识实现逻辑推理

基于深度学习的关系推理

1. 代表性工作：
   • 单层感知机模型SLM（Single Layer Model）
   • NTN神经张量模型（Neural Tensor Networks）
   • DKRL（Description-Embodied Knowledge Representation Learning）模型
   • Path-RNN模型

然后这是以上概括的整体思维导图——

而在关系推理日益发展壮大的基础上，在为知识图谱扩容的时候，又可以倒过来为自动化知识质量评估技术做出贡献。也就是前面所说的怎么判断抽取到的资料，好不好、正不正确等。