面向可解释性的知识图谱推理研究（1）
报告分为以下 5 个部分：
01 研究背景
1. 引言
首先，介绍一下背景。人工智能经过 70 多年的发展，已经从计算智能的能存、会算，进步到了感知智能的能听、能看、会认、会说，并已有很多系统在此方面做的很出色，但与理想的认知智能还有很大的距离。认知智能希望机器能够对数据模型、原理进行理解、推理、解释等，这种认知智能很大的特点是依赖背景知识，例如，对于新的网络概念或网络热词，如“996”、“YYDS”等，这种新的概念是建立在群体共识下的，非常依赖背景知识，对这种非常符合认知智能特点的概念的学习和建模是目前的难点，学习和表示这种背景知识是非常关键的技术。
2. 知识图谱
知识图谱即是承载和表示背景知识的技术和工具，以图的形式，将真实世界中的实体、关系组织成网，将知识进行结构化。以上图知识图谱为例，可以知识图谱中的实体和关系抽象为图中的节点和边，其特点是：
3. 知识图谱的下游应用
知识图谱在需要背景知识或知识获取中应用比较广泛，比较典型的包括：信息检索、问答/聊天系统，语言、图像理解等。
信息检索，利用知识图谱进行概念之间的智能推理、模糊查询，同时可给关键概念提供知识卡片，方便用户体验。
问答/聊天系统，当和问答助手或聊天系统进行交互时，可解决任务型问答的问题，则知识图谱将发挥比较核心的作用。
语言、图像理解，利用知识图谱实现对语言数据、文本数据、图像数据的理解，利用知识增长的方式帮助学习概念之间的关系，如最近研究比较活跃的VQA、图像关系推理等。
4. 知识图谱推理
以上提到的应用中，核心的功能就是知识图谱推理。所谓知识图谱推理，就是在知识图谱中根据已有的知识来获得新知识的能力。以上图中人物关系知识图谱为例，已知 X 与 Z、Z 与 M 之间的关系，Z 是 X 的妻子，M 是 Z 的孩子，则系统可以推理出X是M的父亲，这是一种最简单的推理关系。
知识图谱推理可以从两个角度来看，一是从逻辑演绎的角度，它是一个多个命题约束下真值判断的问题。二是可以从图的角度来理解知识图谱推理，可以建模分析链接预测的问题，可根据图中的节点来预测节点之间的关联；如：给出两个实体，预测两者之间有哪种边，即哪种关系；给定某一个实体、某一条边，能预测出哪些实体与这个实体有某种关联。
02 前沿进展
1. 主要方法
这里将前沿进展的主要方法分为 4 个部分，一是演绎逻辑及规则；二是基于图结构的推理；三是知识图谱嵌入表示；四是深度神经网络模型。
2. 演绎逻辑及规则
该方法是非常经典且常见的方法。将自然语言查询转化为逻辑操作符的组合，通过组合来表达这种查询，再以具体的编程语言进行实现得到查询，比较著名图的查询的实现包括 SPARQL、Cypher、Datalog 等语言的归纳逻辑编程。基于演绎逻辑推理的特点是：
近期研究的一个热点和热门是，如何利用机器学习和深度学习，自动地发掘推理的规则。
3. 基于图结构的推理
这里认为图结构有两个特征：一是路径特征，代表算法是 PRA 及扩展算法，通过图的遍历算法或随机游走方法来提取节点间的路径特征，通过路径特征来对节点连接进行预测，其特点是在推理的同时提供路径可解释性，但其问题是对于推理节点没有连接的问题就不能解决。基于传统的方法，其搜索空间比较大。二是基于图结构的方法，代表方法是 Grall，利用消息传递机制提取目标实体的结构信息，提供子图可解释性；但目前子图结构的方式还不是很成熟，因知识图谱通常很大，如果遍历图中所有的子图结构，遍历的方式方法非常重要。
4. 知识图谱嵌入表示
将知识图谱高维、离散的数据，通过设计某种得分函数，将高维知识图谱嵌入到低纬连续的向量空间之中，将实体和关系表示成数值型的向量进行计算，其代表性的模型为 TransE 类型，近期研究的事 RotateE 模型或在双曲空间中嵌入的模型，其方法的特点是浅层的神经网络，通过特定的嵌入空间的结构实现知识图谱语义的表示。
5. 深度神经网络模型
深度神经网络模型是通过将实体和关系设计成查询对，通过查询对与实体、关系的匹配，通过深度神经网络得到推理的相似度得分，来进行推理的判断。近期研究的热点是 Transformer 或图神经网络。
知识图谱嵌入模型和深度网络模型都视为神经网络模型，其相同点是都会设计一个得分函数，通过数据驱动的方式，以梯度反向传播方法进行训练。其优点是泛化性能比较好，易于数值计算及并行化，规模性好，可以有效缓解图结构维度灾难的问题。其缺点是只能看到输入和输出数值的相似度，缺乏可解释性，不知道模型内部发生了什么，是一个黑盒的过程，因此可解释性差，对噪音的鲁棒性不强，只能进行单步的推理。
*博客内容为网友个人发布，仅代表博主个人观点，如有侵权请联系工作人员删除。