Аннотация: Эта статья начинается от основных концепций рассуждений знаний и вводит применение и метод рассуждений знаний на графах знаний простым способом.
Эта статья опубликована в сообществе HUAWEI CLOUD.«0 Базовое введение в суперсилу графа знаний — рассуждения о знаниях», Автор: ЧериЧен.
Концепция рассуждения о знании
Рассуждение - это использование способности логического мышления для получения неизвестных и неявных знаний из существующих знаний.
В частности, в графе знаний так называемое рассуждение о знаниях заключается в использовании существующих знаний (тройных) в графе для получения некоторых новых отношений между сущностями или атрибутами сущности (тройных). Как показано на рисунке ниже: если в исходной карте знаний есть две такие тройки, и , с помощью рассуждений о знаниях вы можете получить .
Применение рассуждений о знаниях
Завершение знаний
Фактически построенный граф знаний обычно имеет проблему неполноты, то есть некоторые связи или атрибуты будут отсутствовать. Завершение знаний заключается в использовании алгоритмов для заполнения отсутствующих атрибутов или отношений в графе знаний.
Как показано на рисунке ниже, возьмите в качестве примера «Кто такая мать Яо Циньлэй». Существует здравый смысл, что «жена отца - это мать», основываясь на этом здравом смысле, мы можем сделать вывод, что мать Яо Циньлэй - Е Ли, а затем завершить отношения между «Яо Циньлэй» и «Е Ли» и улучшить наш простой Полнота графа знаний о взаимоотношениях персонажей.
Исправление ошибок знаний
Фактически построенный граф знаний также может иметь неверные знания. Среди них могут быть ошибки в типах сущностей, отношениях между сущностями и значениях атрибутов сущностей. Исправление ошибок графов знаний является сложной задачей. Эти ошибки могут повлиять на качество графов знаний, что, в свою очередь, влияет на приложения, основанные на графах знаний.
Мы можем выполнить исправление ошибок графа знаний с помощью рассуждений (как показано на рисунке ниже). Например, на определенной карте знаний о кино и телевидении сущность «Яркая весенняя свинка Баджи» в пунктирной рамке имеет тип «кино». Его атрибуты включают количество эпизодов, музыкальную тему, финальную песню и так далее. Для других сущностей, которые также относятся к категории «кино», их атрибуты в основном включают период выпуска и кассовые сборы, и большинство из них не имеют атрибута количества эпизодов. Рассуждения показывают, что тип сущности «Яркая весенняя свинка Бацзе», скорее всего, будет неправильным, и его правильным типом должен быть телесериал.
Обоснование вопросов и ответов
Ответ на рассуждения на основе графа знаний также является типичным применением рассуждений на основе графа знаний. Ответы на вопросы на основе графа знаний, обычно называемого KBQA. По сравнению с традиционными вопросами и ответами типа поиска информации, KBQA может иметь определенную способность рассуждать, что является его преимуществом. Ответ на логический вопрос, основанный на графе знаний, обычно применяется к относительно сложным сценариям ответа на вопрос, включающим несколько сущностей, несколько отношений, несколько переходов, сравнения и т. д.
Например, «Какой из фильмов с Энди Лау в главной роли получил балл Дубана больше 8?» Такой вопрос. Машина должна проанализировать и понять вопрос, выполнить запрос, рассуждение и действия сравнения в графе знаний и найти «Мир без воров» и «Адские дела» в качестве ответа на возврат (как показано на рисунке ниже). .
Метод рассуждения о знании
Рассуждения, основанные на онтологии
Онтологии — это описания понятий и отношений между понятиями в предметной области. Рассуждение на основе онтологий заключается в использовании семантики и логики, уже содержащихся в онтологии, для рассуждений о типе объекта и отношениях между объектами. Форма описания онтологии стандартизирована. RDFS, OWL и т. д. — это класс языков, используемых для выражения онтологий, отвечающих конкретным спецификациям и требованиям.
Возьмите RDFS в качестве примера: RDFS определяет набор словарей для описания ресурсов: включая класс, домен, диапазон и т. д. Он сам содержит простую семантику и логику. Мы можем использовать эту семантику и логику для рассуждений.
Как показано в примере слева на рисунке ниже, типом Google является компания искусственного интеллекта, а компании искусственного интеллекта являются подклассами высокотехнологичных компаний, поэтому можно сделать вывод, что Google также является высокотехнологичной компанией. В примере справа доменом, определяющим инвестиционные отношения, является инвестор, а диапазоном — компания. Можно просто считать, что головным узлом инвестиционных отношений является тип инвестора, а хвостовым узлом — тип компании. Предположим, теперь есть факт, что Дэвид Черитон инвестировал в Google. Можно сделать вывод, что тип Дэвида Черитона — инвестор. Эти два примера используют семантику и логику, содержащиеся в самой RDFS, для рассуждения.
рассуждения на основе правил
Рассуждения, основанные на правилах, означают, что ряд правил можно абстрагировать, и эти правила можно применить к графу знаний для завершения и исправления ошибок. Эта идея также очень проста и интуитивно понятна. Преимущество рассуждений на основе правил состоит в том, что результаты вывода точны и интерпретируемы. Таким образом, аргументация по правилам имеет широкий спектр применений как в академических кругах, так и в промышленности.
В примере на рисунке некоторые правила определяются вручную, в том числе «Б — жена А, затем А — муж Б», «Б — дочь А, затем А — отец Б» и так далее. Эти правила используются для рассуждения, а затем дополняют недостающие отношения в графе знаний. Мы можем использовать эти правила для вывода новых знаний, таких как «муж Мишель — Обама» и «отец Марии — Обама».
Вывод на основе обучения представлению
Первые два метода, онтологические рассуждения и рассуждения по правилам, основаны на дискретных символических представлениях знаний для рассуждений. Их преимущества заключаются в сильных логических ограничениях, высокой точности и простоте интерпретации. Но не так просто расширить. Вывод, основанный на изучении представления, с помощью функции сопоставления, дискретные символы сопоставляются с векторным пространством для числового представления, и связь между объектами и отношениями фиксируется, а затем выполняется вывод в сопоставленном векторном пространстве.
Граф знаний состоит из сущностей и отношений, обычно представляемых в виде троек: head (головная сущность), ratio (сущность отношения), tail (хвостовая сущность), сокращенно (h, r, t). Задача обучения представлению знаний состоит в том, чтобы изучить векторное представление h, r, t. Как показано на рисунке ниже, разные точки представляют разные знания. Мы можем найти подходящую функцию отображения, чтобы точки, расположенные ближе друг к другу, также были семантически похожи.
Рассуждения, основанные на изучении представлений, относительно абстрактны и сложны. Вот простой пример рассуждения «Где место рождения Яо Циньлэй?»
Предположим, мы нашли идеальную функцию отображения, которая отображает граф знаний и фрагмент текста, содержащий соответствующую информацию, в одно и то же векторное пространство. Затем вычислите эти векторы. Например, просто добавив векторы «Яо Циньлэй», «в», «местная больница» и «рождение» и достигнув вектора «Хьюстон», вы можете сделать вывод, что место рождения Яо Циньлэй — Хьюстон. .
[Лагерь искусственного интеллекта HUAWEI CLOUD 2021]——Шесть реальных боевых лагерей, обучайтесь по ходу обучения, чтобы все могли учиться бесплатно.
Нажмите «Подписаться», чтобы впервые узнать о новых технологиях HUAWEI CLOUD~