知识图谱推理

推理

演绎推理

top-down logic

归纳推理

bottom-up logic

溯因推理

结果可解释

类比推理

Q are similar in respect to properties a, b, and c. Object P has been observed to have further property x. Therefore,Q probably has property x also.

知识图谱推理

基于符号表示的推理

基于Ontology

概念包含推理：定义在Tbox上面的推理,一般基于Tbox中的Axiom推断两个概念之间是否存在包含关系
实例检测推理：计算符合某个概念或关系定义的所有实例
Tableaux算法：
- 基本思想是通过一系列规则构建Abox,以检测知识库的可满足性
- 将概念包含、实例检测等推理都转化为可满足性检测问题来实现

基于Datalog

本体推理的局限:
- 主要实现了基于本体概念描述的推理,无法支持规则型知识的推理
- 用户无法定义自己的推理过程
引入规则推理
- 可以根据特定的场景定制规则,以实现用户自定义的推理过程
- Datalog语言可以结合本体推理和规则推理
- Datalog是面向知识库和数据库设计的逻辑语言,表达能力与OWL相当,支持递归,同时便于撰写规则,实现规则推理

基本语法

基于产生式规则

产生式系统：—种前向推理系统,可以按照一定机制执行规则从而达到某些目标,与一阶逻辑类似,也有区别
应用
- 自动规划
- 专家系统
产生式系统的组成
- 事实集合(Working Memory)
- 产生式/规则集合
- 推理引擎

基本语法

事实集/运行内存(Working Memory， WM)
- 事实(WME)的集合
- 用于存储当前系统中所有事实
事实(Working Memory Element,WME)
- 描述对象：形如(type attr1 : val1attr2 : val2 ...attrn: valn)，其中type, attri, vali均为原子(常量)
- 描述关系(Refication)
  - 例如: (basicFact relation: olderThan firstArg: John secondArg:Alice)简记为(olderThan John Alice)
产生式集合(Production Memory, PM)：产生式规则的集合
lF conditions THEN actions
- conditions是由条件组成的集合,又称为LHS(Left Hand Side)

推理引擎：控制系统的执行
- 模式匹配:用规则的条件部分匹配事实集中的事实,整个LHS都被满足的规则被触发,并被加入议程(agenda)
  - RETE算法
    - 将产生式的LHS组织成判别网络形式
    - 其核心思想是用分离的匹配项构造匹配网络,同时缓存中间结果。
    - 以空间换时间
    - 启发式算法,不同规则之间往往含有相同的模式,可以共享不同规则的条件部分。如果Rete网络中的某一个条件node被N条规则共享,则算法在此节点上效率会提高N倍
    - 由于采用AlphaMemory和BetaMemory来存储事实,当事实集合变化不大时,保存在 alpha和 beta节点中的状态不需要太多变化,避免了大量的重复计算,提高了匹配效率
    - 匹配速度与规则数目无直接关系,因为事实只有满足本节点才会继续向下沿网络传递

基于向量表示的推理

图谱稀疏性问题

关系推理的评价指标

Hit@n:所有预测样本中排名在n以内的比例,n常用的取值为1,3,10

MR:Mean Rank所有预测样本的平均排名

MRR : Mean Reciprocal Rank 先对所有预测样本的排名求倒数,然后求平均

嵌入学习

TransH

TransR

TransD

ComlEX

ConvE

RotaE

BetaE

强化学习

稀疏性问题

无尺度(Scale-free)是很多复杂系统拥有共同的重要特性:大部分节点只有少数几个连结,而某些节点却拥有与其他节点的大量连结,并满足幂律分布。在知识图谱中,只有少量关系拥有大量的三元组,而大部分关系只有少量知识

对抗关系学习一Adversarial Relational Learning

wRAN:利用关系对抗网络提升长尾部分的关系推理和补全的效能

MetaR一Meta Relational Learning

元关系学习:在只有少量关系样本的情况实现知识图谱推理——Few-shot Reasoning

基本思想:在Meta-Learning阶段挖掘关系自身以及关系之间的Meta knowledge ,在预测阶段利用rel-meta对关系预测模型进行fine-tune,从而提升模型在少样本情况下的预测效果

规则推理

利用图结构：PRA

AMIE

统计指标

操作

算法

可微规则学习：NeutralLP

可微规则学习：DRUM

利用规则增强知识图谱表示学习

规则+嵌入：IterE

Ontology Embedding

Ontology Embedding的侧重于对本体中概念体系进行学习，这包括类与类之间的关系,类与实例之间的关系,以及类与属性之间的关系等

Ontology Embedding vs KG Embedding

本体嵌入和知识图谱嵌入本质上都是一种知识表示结构的嵌入，只不过嵌入的内容有所不同,本质上也没有严格的区分和界限
- Onto Embedding侧重于Tbox概念层的表示学习
- KG Embedding则更加侧重于Abox实例层的表示学习
概念层的表示学习通常被用来增强实例层的学习效果,同时,实例层也被经常用来实现概念层,如本体axiom的学习