计算机科学与探索

作者：潘雨黛, 张玲玲, 蔡忠闽, 赵天哲, 魏笔凡, 刘均

单位：1. 西安交通大学 计算机科学与技术学院，西安 710049 2. 陕西省大数据知识工程重点实验室，西安 7100493. 西安交通大学 系统工程研究所，西安 710049

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

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。

来源：2023年第10期

《计算机科学与探索》期刊编辑部

查看计算机科学与探索杂志2023年第10期