RulE: Neural-Symbolic Knowledge Graph Reasoning with Rule Embedding

要約

ナレッジ グラフ (KG) 推論は、ナレッジ グラフにとって重要な問題です。
この論文では、論理ルールを効果的に活用して KG 推論を強化する、\textbf{RulE} ({Rul}e {E}mbedding の略) と呼ばれる新しく原則に基づいたフレームワークを提案します。
ナレッジ グラフ エンベディング (KGE) 手法とは異なり、RulE は、統一されたエンベディング空間で \textbf{entities}、\textbf{relations}、および \textbf{logical rules} を共同で表すことによって、既存のトリプレットと 1 次の {rules} からルール エンベディングを学習します。
学習されたルールの埋め込みに基づいて、観察されたトリプレットとの一貫性を反映して、ルールごとに信頼スコアを計算できます。
これにより、論理ルールの推論をソフトな方法で実行できるようになり、論理の脆弱さが軽減されます。
一方、RulE は、事前の論理ルール情報を埋め込み空間に注入し、エンティティ/関係の埋め込みを強化および正規化します。
これにより、KGE だけでもパフォーマンスが向上します。
RulE は概念的に単純で、経験的に効果的です。
私たちは、RulE の各コンポーネントを検証するために広範な実験を行っています。
複数のベンチマークの結果から、私たちのモデルが既存の埋め込みベースおよびルールベースのアプローチの大部分を上回るパフォーマンスを示していることがわかります。

要約(オリジナル)

Knowledge graph (KG) reasoning is an important problem for knowledge graphs. In this paper, we propose a novel and principled framework called \textbf{RulE} (stands for {Rul}e {E}mbedding) to effectively leverage logical rules to enhance KG reasoning. Unlike knowledge graph embedding (KGE) methods, RulE learns rule embeddings from existing triplets and first-order {rules} by jointly representing \textbf{entities}, \textbf{relations} and \textbf{logical rules} in a unified embedding space. Based on the learned rule embeddings, a confidence score can be calculated for each rule, reflecting its consistency with the observed triplets. This allows us to perform logical rule inference in a soft way, thus alleviating the brittleness of logic. On the other hand, RulE injects prior logical rule information into the embedding space, enriching and regularizing the entity/relation embeddings. This makes KGE alone perform better too. RulE is conceptually simple and empirically effective. We conduct extensive experiments to verify each component of RulE. Results on multiple benchmarks reveal that our model outperforms the majority of existing embedding-based and rule-based approaches.

arxiv情報

著者 Xiaojuan Tang,Song-Chun Zhu,Yitao Liang,Muhan Zhang
発行日 2023-07-13 06:07:09+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.AI, cs.LG パーマリンク