Plongement de graphes de connaissances avec une guidance itérative à partir de règles souples

L'embedding de graphes de connaissances (KGs) dans des espaces vectoriels continus est un domaine de recherche actuel. La combinaison d'un tel modèle d'embedding avec des règles logiques a récemment suscité un intérêt croissant. La plupart des tentatives précédentes ont effectué une injection unique de règles logiques, ignorant la nature interactive entre l'apprentissage par embedding et l'inférence logique. De plus, elles se sont concentrées uniquement sur les règles rigides, qui sont toujours vraies sans exception et nécessitent généralement beaucoup d'efforts manuels pour être créées ou validées. Dans cet article, nous proposons Rule-Guided Embedding (RUGE), un nouveau paradigme d'embedding de KGs guidé itérativement par des règles souples. RUGE permet à un modèle d'embedding d'apprendre simultanément à partir de : 1) des triples étiquetés qui ont été directement observés dans un KG donné, 2) des triples non étiquetés dont les étiquettes seront prédites itérativement, et 3) des règles souples avec différents niveaux de confiance extraites automatiquement du KG. Dans le processus d'apprentissage, RUGE interroge itérativement les règles pour obtenir des étiquettes souples pour les triples non étiquetés, puis intègre ces nouveaux triples étiquetés pour mettre à jour le modèle d'embedding. Grâce à cette procédure itérative, les connaissances contenues dans les règles logiques peuvent être mieux transférées dans les embeddings appris. Nous évaluons RUGE dans la prédiction de liens sur Freebase et YAGO. Les résultats expérimentaux montrent que : 1) grâce à l'injection itérative de connaissances issues des règles, RUGE réalise des améliorations significatives et cohérentes par rapport aux méthodes de référence les plus avancées ; et 2) malgré leurs incertitudes, les règles souples extraites automatiquement sont très bénéfiques pour l'embedding de KGs, même celles avec des niveaux de confiance modérés. Le code et les données utilisés pour cet article peuvent être obtenus à l'adresse suivante : https://github.com/iieir-km/RUGE.