融合关系和结构编码的规则抽取与推理研究

摘要

领域知识图谱拥有不完备性和语义复杂多样性的特点,从而导致其在规则抽取和选择问题上的不足,影响了其推理的能力.针对此问题,提出了一种融合关系和结构编码的规则抽取模型.通过提取目标子图中的关系和结构信息并进行特征编码,从而实现了一种多维度的嵌入表达方法.设计了融合关系和结构信息的自注意力机制,使模型能够更好地捕捉输入序列中的依赖关系和局部结构信息,从而提升了模型对于上下文的理解和表达能力,进而解决了在语义复杂情况下规则的抽取和选择的问题.通过在真实汽车部件故障工业数据集和公共数据集的实验,表明了在链接预测与规则质量评估任务中,所提出的模型都有一定的提升(规则长度为3时, mean reciprocal rank (MRR)平均提升了7.1百分点, Hits@10平均提升了8.6百分点;规则长度为2时, MRR平均提升了7.4百分点, Hits@10平均提升了3.9百分点),证实了关系和结构信息对于规则抽取与推理的有效性.

关键词

工业知识图谱 / 规则抽取 / 规则推理 / 知识补全 / 链接预测