AZFT-知识引擎实验室论文“Neural symbolic reasoning with knowledge graphs: Knowledge extraction, relational reasoning, and inconsistency checking”(知识图谱上的神经符号推理:面向知识抽取、关系推理、不一致性检测任务)被 NSFC Fundamental Research录用。该论文作者为陈华钧、邓淑敏、张文、许泽众、李娟和Evgeny Kharlamov。
为了解决这两个问题,我们从KG的整个生命周期的视角来更全面地看待KGR,包括KG的抽取、补全和提纯,分别对应三个子任务:知识抽取、关系推理和不一致检测,并提出用神经符号推理的方法来对KG的整个生命周期进行推理。
如图1所示,我们提出的知识抽取方法NSKE对应的流程为:
Symbolic KG ---𝑒𝑚𝑏𝑒𝑑𝑑𝑖𝑛𝑔---> Neural KG ---𝑖𝑛𝑑𝑢𝑐𝑡𝑖𝑜𝑛---> Neural Rules/Axioms ---𝑑𝑒𝑐𝑜𝑑𝑖𝑛𝑔---> Symbolic Rules/Axioms ---𝑑𝑒𝑑𝑢𝑐𝑡𝑖𝑜𝑛---> Symbolic KG.
NSKE模型的框架如图2所示:
简单来说,相比于传统的知识抽取(关系抽取和事件抽取)方法,NSKE会利用关系/事件类别之间的关系来进行推理,以辅助抽取过程。比如,关系抽取任务可以利用如下所示spouse和father这两个关系和mother关系之间的关联规则:
(2)在“KG补全阶段”的关系推理方法:tripletGNN
如图1所示,我们提出的关系推理方法tripletGNN对应的流程为:
{Symbolic KG ---𝑒𝑚𝑏𝑒𝑑𝑑𝑖𝑛𝑔--->; Symbolic Rules/Axioms ---𝑒𝑚𝑏𝑒𝑑𝑑𝑖𝑛𝑔---> Neural Rules/Axioms ---𝑑𝑒𝑑𝑢𝑐𝑡𝑖𝑜𝑛--->} Neural KG ---𝑑𝑒𝑐𝑜𝑑𝑖𝑛𝑔---> Symbolic KG.
tripletGNN模型的框架如图3所示:
简单来说,tripletGNN将具有KG中的三元组和公理统一表示为无向无标记图,这区别于传统的方法用有向有标记图来表示KG。我们提出一种存储三元组KG的新方法,而不是使用邻接矩阵,以更好地适应归纳图预测的KG补全任务。其次,我们提出了一种基于图神经网络的方法,增强了新的节点特征交互模块,通过交互矩阵计算以区分链接的推理,以应对公理利用模型的不可知问题。
(3)在“KG提纯阶段”的不一致性检测方法:K-NAN
如图1所示,我们提出的不一致性检测方法K-NAN对应的流程为:
Symbolic KG ---𝑒𝑚𝑏𝑒𝑑𝑑𝑖𝑛𝑔---> Neural KG ---𝑖𝑛𝑑𝑢𝑐𝑡𝑖𝑜𝑛---> Neural Rules/Axioms ---𝑑𝑒𝑑𝑢𝑐𝑡𝑖𝑜𝑛---> Neural KG ---𝑑𝑒𝑐𝑜𝑑𝑖𝑛𝑔---> Symbolic KG.
K-NAN模型的框架如图4所示:
简单来说,K-NAN旨在对三元组的结构信息和三元组中隐含的公理信息进行建模,由一个KG嵌入模块和一个具有五个不一致公理的神经公理网络模块组成。KG嵌入模块主要是将KG中的实体和关系进行向量化表示,神经公理网络模块主要是将KG公理向量化,这里考虑的公理包括:KG中关系的域、范围,不相交、自反和非对称属性。
(1)知识抽取
在知识抽取任务上,我们主要做了关系抽取和事件抽取的性能评估,结果如下表所示:
本文作者邓淑敏,浙江大学在读博士,研究方向为低资源场景下知识图谱自动构建关键技术研究及应用。