基于可微神经计算机和贝叶斯网络的知识推理方法

被引：3

作者：

孙建强

许少华

机构：

[1] 山东科技大学计算机科学与工程学院

来源：

计算机应用 | 2021年 / 41卷 / 02期

基金：

国家重点研发计划;

关键词：

知识图谱; 知识推理; 可微神经计算机; 贝叶斯网络; 长期记忆;

D O I：

暂无

中图分类号：

TP18 [人工智能理论];

学科分类号：

081104 ; 0812 ; 0835 ; 1405 ;

摘要：

针对人工神经网络(ANN)对面向知识图谱(KG)的知识推理的记忆能力有限以及KG无法处理不确定知识的问题,提出一种可微神经计算机(DNC)和贝叶斯网络(BN)相结合的推理方法 DNC-BN。首先,将长短时记忆(LSTM)网络作为控制器,在每个时刻对输入向量和从记忆体获取的读向量进行处理,得到网络输出向量和交互向量;其次,通过读写头实现控制器与记忆体的交互,使用读取权重计算数据的加权平均以得到读向量,并用写入权重结合擦除向量及写入向量进行写操作,对存储矩阵进行修改;最后,基于概率推理机制,使用BN对数据节点之间存在的推理关系进行判断,对KG进行补全。在数据集WN18RR上的推理中,DNC-BN的Mean Rank为2 615,Hits@10为0.528;在数据集FB15k-237上的推理中,DNC-BN的Mean Rank为202,Hits@10为0.519。实验结果表明,DNC-BN方法对面向KG的知识推理具有良好的应用效果。

引用

页码：337 / 342

页数：6

共 17 条

[1] Metamorphic relation based adversarial attacks on differentiable neural computer . CHAN A,MA L,JUEFEI-XU F,et al. https://arxiv.org/pdf/ 1809.02444.pdf . 2019
[2] Long short-term memory
Hochreiter, S
Schmidhuber, J
[J]. NEURAL COMPUTATION, 1997, 9 (08) : 1735 - 1780
[3] 知识图谱技术综述
徐增林
盛泳潘
贺丽荣
王雅芳
[J]. 电子科技大学学报, 2016, 45 (04) : 589 - 606
[4] 人工智能走向2.0[J]. 潘云鹤. Engineering. 2016(04)
[5] Modeling largescale structured relationships with shared memory for knowledge base completion . Shen Y,Huang P S,Chang M W,et al. Proceedings of the 2nd Workshop on Representation Learning for NLP . 2017
[6] Reasoning with neural tensor networks for knowledge base completion . Socher R,Chen D,Manning C D,et al. Neural Information Processing Systems . 2013
[7] Introducing the knowledge Graph:Things,not strings . Singhal A. https://www.blog.google/products/search/introducing-knowledge-graph-things-not . 2019
[8] Convolutional 2D knowledge graph embeddings . DETTMERS T,MINERVINI P,STENETORP P,et al. Proceedings of the 32nd AAAI Conference on Artificial Intelligence . 2018
[9] A review:knowledge reasoning over knowledge graph . CHEN X,JIA S,XIANG Y. Expert Systems with Applications . 2020
[10] Cognitive Computing and Big Data Analytics . HURWITZ J S,KAUFMAN M,BOWLES A. Wiley . 2015

← 1 2 →