知识图谱推理

知识图谱：由有向图构成，被用来描述现实世界中实体及实体之间的关系；每个节点表示客观世界中的一个实体，两个节点之间的连线表示节点具有某一关系。 知识图谱中存在连线的两个实体可以表达为行如<left_node, relation, right_node>的三元组形式。 image.png|100

FOIL归纳推理：

学习对象：规则：\(\oplus\leftarrow f_1\land f_2\land\cdots\land f_L\) + 规则体：\(f_1\land f_2\land\cdots\land f_L\) + 规则头：\(\oplus\)

序贯覆盖：

  1. 目标谓词作为所学习推理规则的结论
  2. 其他谓词逐一作为前提约束谓词加入推理规则，计算所得到推理规则的FOIL信息增益值，选取可带来最大信息增益值的前提约束谓词加入原来的推理规则，得到新的推理规则，并将训练样例集合中与该推理规则不符的样例去掉
  3. 重复过程2，直到所得到的推理规则不覆盖任何反例

FOIL信息增益值：

\[ \text{FOIL_Gain}=\hat{m_+}\cdot\left(\log_2\dfrac{\hat{m_+}}{\hat{m_+}+\hat{m_-}}-\log_2\dfrac{m_+}{m_++m_-}\right) \]

路径排序推理：

  1. 特征抽取：生成并选择路径特征集合（随机游走、BFS/DFS）
  2. 特征计算：\(P(s\to t,\pi_j)\) 表示从实体结点s出发，通过关系路径\(\pi_j\)到达实体结点t的概率；或\(s\to t\)是否存在路径\(\pi_j\)；或\(s\to t\)之间路径出现的频次
  3. 分类器训练：根据训练样例的特征值，为目标关系训练分类器

推理方法：概率图推理，因果推理