知识图谱中的关系推理
向AI转型的程序员都关注了这个号???
机器学习AI算法工程 公众号：datayx
知识图谱本质上是语义网络，是一种基于图的数据结构，由节点(Point)（“实体”）和边(Edge)（“关系”）组成。在知识图谱里，每个节点表示现实世界中存在的“实体”，每条边为实体与实体之间的“关系”。知识图谱是关系的最有效的表示方式。通俗地讲，知识图谱就是把所有不同种类的信息（Heterogeneous Information）连接在一起而得到的一个关系网络。知识图谱提供了从“关系”的角度去分析问题的能力。
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.
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
建模依据：采用抽象或具象的Horn子句
本质：基于逻辑规则进行推理
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
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
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
发展趋势
逐渐摒弃对人工规则的依赖
转而借助模式识别的方式进行规则（模式特征）发现
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
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
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
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
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
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。
阿里云 服务器ECS 数据库 全场1折
活动地址
1核2G1M，86一年，¥229三年
2核4G3M，¥799三年
2核8G5M，¥1399三年
阅读过本文的人还看了以下文章：
不断更新资源
深度学习、机器学习、数据分析、python
搜索公众号添加： datayx
长按图片，识别二维码，点关注
AI项目体验
https://loveai.tech