تضمين الكيانات والعلاقات للاستفادة من التعلم والاستدلال في قواعد المعرفة

نعتبر تعلم تمثيلات الكيانات والعلاقات في قواعد البيانات المعرفية باستخدام نهج التضمين العصبي. نوضح أن معظم النماذج الحالية، بما في ذلك NTN (Socher وآخرون، 2013) و TransE (Bordes وآخرون، 2013ب)، يمكن تعميمها ضمن إطار تعلم موحد، حيث تكون الكيانات متجهات ذات أبعاد منخفضة يتم تعلمها من شبكة عصبية والعلاقات هي دوال تصوير ثنائية الخطية و/أو خطية. ضمن هذا الإطار، نقارن مجموعة متنوعة من نماذج التضمين في مهمة التنبؤ بالروابط. نوضح أن الصياغة الثنائية البسيطة تحقق نتائج جديدة على مستوى الطليعة للمهمة (بتقديم دقة ضمن العشرة الأوائل بنسبة 73.2٪ مقابل 54.7٪ بواسطة TransE على Freebase). بالإضافة إلى ذلك، نقدم نهجًا جديدًا يستخدم التضمينات العلائقية المُتعلمة لاستخراج القواعد المنطقية مثل "BornInCity(a,b) و CityInCountry(b,c) => Nationality(a,c)" (ولدت_في_مدينة(a,b) ومدينة_في_دولة(b,c) => الجنسية(a,c)). نجد أن التضمينات المُتعلمة من الهدف الثنائي الخطي تكون جيدة بشكل خاص في التقاط الدلالات العلائقية وأن تركيب العلاقات يتميز بعملية ضرب المصفوفات. وبشكل أكثر إثارة للاهتمام، نثبت أن نهج استخراج القواعد المستند إلى التضمين الخاص بنا يتفوق بنجاح على أحدث نهج استخراج القواعد المستند إلى الثقة في استخراج قواعد هورن التي تتطلب الاستدلال التركيب.