Wissensgraphen-Einbettung mit iterativer Anleitung durch weiche Regeln

Das Einbetten von Wissensgraphen (KGs) in kontinuierliche Vektorräume ist derzeit ein Schwerpunkt der Forschung. Die Kombination eines solchen Einbettungsmodells mit Logikregeln hat in letzter Zeit zunehmend an Bedeutung gewonnen. Die meisten bisherigen Ansätze führten eine einmalige Injektion von Logikregeln durch und ignorierten dabei die interaktive Natur zwischen dem Lernen von Einbettungen und logischer Inferenz. Zudem konzentrierten sie sich ausschließlich auf harte Regeln, die ohne Ausnahme immer gelten und in der Regel erhebliche manuelle Anstrengungen zum Erstellen oder Validieren erfordern. In dieser Arbeit schlagen wir Rule-Guided Embedding (RUGE) vor, ein neues Paradigma des KG-Einbettens mit iterativer Anleitung durch weiche Regeln. RUGE ermöglicht es einem Einbettungsmodell, gleichzeitig aus 1) etikettierten Tripeln zu lernen, die direkt in einem gegebenen KG beobachtet wurden, 2) unetikettierten Tripeln, deren Etiketten iterativ vorhergesagt werden sollen, und 3) weichen Regeln mit verschiedenen Konfidenzniveaus, die automatisch aus dem KG extrahiert wurden. Im Lernprozess fragt RUGE iterativ Regeln ab, um weiche Etiketten für unetikettierte Tripel zu erhalten, und integriert diese neu etikettierten Tripel zur Aktualisierung des Einbettungsmodells. Durch dieses iterative Verfahren kann das Wissen, das in den Logikregeln enthalten ist, besser in die gelernten Einbettungen übertragen werden. Wir evaluieren RUGE bei der Link-Vorhersage auf Freebase und YAGO. Die experimentellen Ergebnisse zeigen, dass: 1) durch die iterativ injizierte Regelwissen RUGE signifikante und konsistente Verbesserungen gegenüber den Stand-of-the-Art-Methoden erreicht; und 2) trotz ihrer Unsicherheiten sind automatisch extrahierte weiche Regeln für das KG-Einbetten hoch nützlich, auch solche mit moderaten Konfidenzniveaus. Der Code und die Daten, die für diese Arbeit verwendet wurden, können unter https://github.com/iieir-km/RUGE abgerufen werden.