知识图谱(六)--图谱推理
发布网友
共1个回答
热心网友
面向知识图谱的推理主要围绕关系的推理展开，基于图谱中已有的事实或关系推断出未知的事实或关系，重点考察实体、关系和图谱结构的特征信息。知识图谱推理能够辅助推理出新事实、新关系、新公理和新规则。知识图谱的形成过程中，融合、知识补全、冲突信息检查和知识服务提供等阶段都涉及不同的推理任务。
知识图谱推理技术手段分为基于演绎和基于归纳两大类。演绎推理以明确定义的先验信息为基础，主要用于本体相关推理，如基于描述逻辑、逻辑编程、查询重写和产生式规则方法。其中，基于描述逻辑推理利用OWL语言进行一系列实用推理，如概念包含、互斥、可满足性、全局一致性等。基于逻辑编程推理利用逻辑语言实现用户自定义的推理过程，如Datalog。基于查询重写推理在知识图谱和数据库间建立映射，将数据库数据呈现为知识图谱进行查询。基于产生式规则推理则通过规则执行实现自动规划和专家系统。
归纳推理主要基于知识图谱已有信息分析和挖掘，常用信息为三元组。归纳推理方法包括基于图结构、规则学习和表示学习等。基于图结构推理利用图算法对知识图谱进行推理，如PRA算法。基于规则学习推理通过定义或学习规则进行知识图谱推理，如AMIE算法。基于表示学习推理将实体和关系映射至向量空间，如Trans系列算法。
强化学习推理是新兴技术手段，如DeepPath和MINERVA。DeepPath通过序列决策问题的建模和策略梯度的强化学习方法进行事实判断。MINERVA通过LSTM建模观测序列和历史决策序列，解决查询问答问题。强化学习方法相比基于表示学习方法，具有更好的可解释性和推理效果，但动作空间较大，训练代价较高。
