前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >python知识推理知识图谱_知识图谱系列–知识推理

python知识推理知识图谱_知识图谱系列–知识推理

作者头像
全栈程序员站长
发布2022-09-06 16:54:57
1.6K0
发布2022-09-06 16:54:57
举报

大家好,又见面了,我是你们的朋友全栈君。

摘要

本文接着知识图谱系列–实体链接技术(1)[1]介绍知识推理方法。知识推理就是通过各种方法获取新的知识或者结论,这些知识和结论满足语义,其具体任务可分为可满足性(satisfiability)、分类(classification)、实例化(materialization)。[2]

paper: Das, R. , Neelakantan, A. , Belanger, D. , & Mccallum, A. . (2016). Chains of reasoning over entities, relations, and text using recurrent neural networks

实际当前介绍比较多的还是王昊奋老师的课程,介绍的OWL等规则及Jena工具。知识推理算法上实现效果尚不佳,这里介绍一篇Das, R. , Neelakantan, A. , Belanger, D. , & Mccallum, A. . (2016)的论文[3]。

本文首先介绍了基本的 Path-RNN 的架构,本文的一切改进都是基于该模型的。Path-RNN 的输入是两个实体之间的路径,输出推理出的二者之间的新关系。通过将关系之间的连接用 RNN 表示来进行推理。路径的表示是在处理完路径中所有的关系之后由 RNN 的最后的隐状态给出的。模型结构示意图如图1-2所示。图1

图2

本文提出的方法对这个模型做出的改进有:之前的方法最大的问题是要为每一个需要预测的 relation-type 单独训练模型。而本文只训练一个 RNN 来预测所有的 relation type,共享了 RNN 参数精度也显著提高了。本文共享了 relation type 的表示以及 RNN 的 composition matrices,这样同样的训练数据变量就大大减少了。训练模型的损失函数用的是negative log-likelihood如下所示:

本文使用了 neural attention 机制对多条路径进行推理。之前的工作只推理了 relation,没有推理组成路径上节点的 entities,本文对关系类型,实体和实体类型进行了联合学习和推理。

分别用 Top-k,average 和 LogSumExp 等多纬度为每一条路径的相似度评分加上权重,这样就考虑了每一条路径包含的信息,而不仅仅是评分最高的那条。

论文结果如图3-4所示:图4

参考文献debuluoyi:知识图谱系列–实体链接技术(1)​zhuanlan.zhihu.com

v2-7f814de922e61f853cd4970307a61a91_180x120.jpg
v2-7f814de922e61f853cd4970307a61a91_180x120.jpg

王昊奋知识图谱教程​www.chinahadoop.cn

[3] Das, R. , Neelakantan, A. , Belanger, D. , & Mccallum, A. . (2016). Chains of reasoning over entities, relations, and text using recurrent neural networks.

源码:https://rajarshd.github.io/ChainsofReasoning​rajarshd.github.iogithub.com/debuluoyi​github.com

发布者:全栈程序员栈长,转载请注明出处:https://javaforall.cn/134342.html原文链接:https://javaforall.cn

本文参与 腾讯云自媒体同步曝光计划,分享自作者个人站点/博客。
原始发表:2022年6月6,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
相关产品与服务
灰盒安全测试
腾讯知识图谱(Tencent Knowledge Graph,TKG)是一个集成图数据库、图计算引擎和图可视化分析的一站式平台。支持抽取和融合异构数据,支持千亿级节点关系的存储和计算,支持规则匹配、机器学习、图嵌入等图数据挖掘算法,拥有丰富的图数据渲染和展现的可视化方案。
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档