초록
우리는 대규모 지식 그래프(KGs)에서 추론을 배우는 문제를 연구합니다. 더욱 구체적으로, 우리는 다단계 관계 경로를 학습하기 위한 새로운 강화학습 프레임워크를 설명합니다. 이 프레임워크는 지식 그래프 임베딩을 기반으로 하는 연속 상태의 정책 기반 에이전트를 사용하여, 가장 유망한 관계를 샘플링하여 경로를 확장하는 방식으로 지식 그래프 벡터 공간에서 추론합니다. 이전 연구와 달리, 우리의 접근 방식은 정확성, 다양성, 효율성을 고려한 보상 함수를 포함하고 있습니다. 실험을 통해 우리 제안 방법이 Freebase 및 Never-Ending Language Learning 데이터셋에서 경로 순위 기반 알고리즘과 지식 그래프 임베딩 방법보다 우수한 성능을 보임을 입증하였습니다.