结合卷积特征提取和路径语义的知识推理

陈新元，谢晟祎，陈庆强，刘羽

（1.闽江学院 计算机与控制工程学院，福建 福州 350121;2.福州墨尔本理工职业学院 信息工程系，福建 福州 350121;3.福建农业职业技术学院 教学科研处，福建 福州 350181;4.福建工程学院 信息科学与工程学院，福建福州 350118;5.福州墨尔本理工职业学院 现代教育技术中心，福建 福州 350121）

知识库(knowledge base,KB)[1]以三元组的形式编码事实，三元组由实体和关系组成。主流知识库(如NELL[2]、YAGO[3]、Freebase[4]等)在语义搜索[5]和问题解答[6]等领域[7]应用广泛。

然而，现有知识库缺失大量事实，即三元组不完整，缺少实体或关系[8]。知识图谱补全(knowledge graph completion,KGC)[9]旨在解决该问题，通过提取局部模式或语义特征，用已知信息生成新的有效事实[10-11]，许多学者对KGC 的核心概念、关键问题、主流技术和未来方向进行了分析、总结和展望[12-13]。模式提取借助贝叶斯扩展或张量/矩阵分解[14]增强表达能力，但往往忽略了路径携带的语义信息，经典模型如RESCAL[15]、TransE[16]、DistMult[17]和ConvE[18]。上述模型大多忽略路径携带的语义信息。

在知识推理中，实体对间的多条关系路径所携带的语义信息有助于判定三元组的有效性[19-20]。Neelakantan 等[21]和Das 等[22]使用循环神经网络(recurrent neural networks,RNN)进行关系路径嵌入以减小计算开销。由于常规RNN 无法学习到长序列的语义依赖，Hochreiter 等[23]提出了LSTM(long short-term memory)，引入门控结构计算遗忘和更新的信息。Xu 等[24]将注意力机制引入图像物体识别；目前该机制已应用到机器翻译和知识补全。Xiong 等[25]结合嵌入模型和路径模型的优点，使用强化学习框架，在TransE 的基础上将智能体编码至连续空间中，通过最优关系采样和路径扩展进行推理，同时设计了自定义的奖励函数,兼顾局部模式提取和语义关联识别[26-28]。……