摘要
随着大数据的飞速发展，各种大型的通用知识图谱和领域知识图谱被构建出来，这些图谱在智能交通、搜索引擎、决策支持等应用中起到了重要作用。但在知识图谱构建过程中，始终存在着难以去除的噪声和错误，即不确定性，如何在对不确定性的知识图谱进行表示与推理逐渐引起广泛的关注。传统的知识图谱表示学习方法专注于提高模型对三元组的建模能力，忽略了三元组之间逻辑规则的推理与建模，同时模型可解释性不足。对此，本文提出了基于概率推理的不确定性知识图谱表示学习方法。具体研究工作包括以下几个方面: (1)针对Analogy模型对不确定性知识图谱的表示学习效果不佳，同时缺乏可解释性的问题。本文通过概率软逻辑对Analogy的实例化规则重新建模，以此丰富三元组的关系事实，从而增强模型的预测能力。具体做法是将修改后的Softplus激活函数Clip-Softplus用于本文的模型，使得得分函数的似然值映射到[0，1]区间，从而模型可以对三元组中的置信度进行建模。在CN15k数据集上的置信度预测实验中，与UKGE模型对比，MSE提升了16.61％。此外，Clip-Analogy(C-Analogy)还进行了关系事实排序、关系事实分类等实验，效果均优于基准模型。 (2)为解决KnowledgeGraphEmbeddingwithIterativeGuidancefromSoftRules(RUGE)模型自动提取的软规则不准确或不完整，导致模型预测效果较低的问题。本文提出了基于规则嵌入增强的不确定性知识图谱表示学习模型enhancedRulEsGuidedEmbedding(REGE)。该模型受CrossE模型的启发，利用交互矩阵对RUGE模型的三元组重新建模，同时本文将关系和规则进行联合嵌入建模，增强了规则的表示与推理。另外，本文使用规则挖掘工具AMIE3挖掘出三元组隐含的关系，再对这些关系进行等间隔分组实例化同时进行人工筛选，剔除错误的规则。再将这些规则进行实例化后送入模型进行表示学习。由于该模型对软规则进行了增强，所以模型在对不确定性知识图谱表示学习的性能得到了提升。实验表明REGE模型线性增益NDCG分别提升了14.5％、1.6％、1.5％，指数增益NDCG分别提升了14.6％、1.5％、1.8％。 (3)将C-Analogy模型和REGE模型应用于知识图谱补全任务中，通过链接预测检测模型的性能。实验表明，本文提出的两个模型效果均优于基线。此外，本文将两个模型应用于电影知识图谱补全系统中，并进行了系统和功能测试。该系统的数据集主要来自于MovieLens电影数据。系统内部使用Cypher语言查询Neo4j图数据库中的数据，并利用Vue实现了前端的可视化功能。
NETL