-
题名基于大规模语言模型的知识图谱可微规则抽取
被引量：3
- 1
-
-
作者
潘雨黛
张玲玲
蔡忠闽
赵天哲
魏笔凡
刘均
-
机构
西安交通大学计算机科学与技术学院
陕西省大数据知识工程重点实验室
西安交通大学系统工程研究所
-
出处
《计算机科学与探索》
CSCD
北大核心
2023年第10期2403-2412,共10页
-
基金
国家重点研发计划(2022YFC3303600)
国家自然科学基金(62137002,62293550,62293553,62293554,61937001,62250066,62176209,62176207,62106190,62192781,62250009)
+5 种基金
国家自然科学基金创新研究群体项目(61721002)
教育部创新团队项目(IRT_17R86)
国家科技重点实验室基金
陕西省自然科学基金(2023-JC-YB-593)
陕西省高校青年创新团队项目
中央高校基本科研业务费专项资金(xhj032021013-02)。
-
文摘
知识图谱上的推理是预测不完整三元组中缺失的实体或关系,对结构化知识进行补全,并用于不同下游任务的过程。不同于被普遍研究的黑盒方法,如基于表示学习的推理方法,基于规则抽取的推理方法通过从知识图谱中泛化出一阶逻辑规则,实现一种可解释的推理范式。为解决离散的符号空间与连续的嵌入空间之间的鸿沟,提出一种基于大规模预训练语言模型的知识图谱可微规则抽取方法DRaM,将离散的一阶逻辑规则与连续的向量空间进行融合。针对规则中的原子公式顺序对推理过程产生的影响,通过引入大规模预训练语言模型对推理过程进行编码来解决。融合一阶逻辑规则的可微推理方法DRaM,在三个知识图谱数据集Family、Kinship和UMLS上进行的链接预测任务获得了较好的结果,尤其针对链接预测指标Hits@10,DRaM获得了最佳的推理结果。实验结果表明,DRaM能够有效地解决知识图谱上可微推理存在的问题,并且可以从推理过程中抽取带有置信度的一阶逻辑规则。DRaM不仅通过一阶逻辑规则增强了推理效果,同时增强了方法的可解释性。
-
关键词
知识图谱上的推理
一阶逻辑规则
大规模语言模型(LLM)
可解释推理
-
Keywords
knowledge graph reasoning
first-order logic rule
large language model(LLM)
interpretable reasoning
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
