摘要
将知识图谱（KGs）嵌入连续向量空间是当前研究的重点。近年来，将这种嵌入模型与逻辑规则相结合越来越受到关注。大多数先前的研究尝试了一次性注入逻辑规则，忽略了嵌入学习与逻辑推理之间的交互性质。此外，它们仅关注硬规则，即那些在任何情况下都严格成立且通常需要大量人工努力来创建或验证的规则。本文提出了一种新的知识图谱嵌入范式——规则引导嵌入（RUGE），该方法通过软规则的迭代指导进行知识图谱嵌入。RUGE使嵌入模型能够同时从1）在给定的知识图谱中直接观察到的标记三元组，2）标签将被迭代预测的未标记三元组，以及3）从知识图谱中自动提取的各种置信度水平的软规则中学习。在学习过程中，RUGE通过迭代查询规则为未标记三元组获取软标签，并将这些新标记的三元组整合以更新嵌入模型。通过这一迭代过程，逻辑规则中的知识可以更好地转移到所学的嵌入中。我们在Freebase和YAGO上对RUGE进行了链接预测评估。实验结果表明：1）通过迭代注入规则知识，RUGE相比现有最先进基线方法实现了显著且一致的改进；2）尽管存在不确定性，自动提取的软规则对知识图谱嵌入仍然具有很高的价值，即使是那些置信度适中的软规则也是如此。本文使用的代码和数据可以从https://github.com/iieir-km/RUGE 获取。