DeepPath: метод обучения с подкреплением для логического вывода в графах знаний
DeepPath: A Reinforcement Learning Method for Knowledge Graph Reasoning
2017-01-01
SCID: 54.1/9kcmjn3n
Discuss with AI
Freebaseвложения графов знанийрассуждение по графам знаниймногошаговые реляционные путиобучение с подкреплением
Figures from the paper
Abstract (AI)
Мы исследуем задачу обучения логическому выводу в крупномасштабных графах знаний (KG). В частности, мы описываем новую схему обучения с подкреплением для изучения многопереходных реляционных путей. Мы используем агента на основе политики с непрерывными состояниями, заданными с помощью вложений графа знаний; агент выполняет логический вывод в векторном пространстве KG, выбирая наиболее перспективное отношение для продолжения пути. В отличие от предыдущих работ, предлагаемый нами подход включает функцию вознаграждения, учитывающую точность, разнообразие и эффективность. Экспериментально показано, что предложенный метод превосходит алгоритм ранжирования путей и методы вложения графов знаний на наборах данных Freebase и Never-Ending Language Learning.
Key Findings
1
Агент на основе политики использует непрерывные состояния, полученные из векторных представлений графа знаний, и выбирает перспективные отношения для продолжения путей рассуждения.
2
DeepPath представляет фреймворк обучения с подкреплением для изучения многопереходных реляционных путей в крупномасштабных графах знаний.
3
Эксперименты на наборах данных Freebase и Never-Ending Language Learning показали, что DeepPath превосходит алгоритм ранжирования путей и методы векторного представления графов знаний.
4
Функция вознаграждения одновременно учитывает точность, разнообразие и эффективность путей, в отличие от предшествующих подходов, ориентированных преимущественно на точность.
Research Object
многошаговые реляционные пути в крупномасштабных графах знаний
Research Subject
обучение рассуждению по этим путям с акцентом на точность, разнообразие и эффективность выбора путей
Publication Details
Publication Date
2017-01-01
Journal
Publisher
ISSN
Cited by
859
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai7
Классификация ImageNet с использованием глубоких сверточных нейронных сетей2017
Adam: метод стохастической оптимизации2014
Сверточные нейронные сети для классификации предложений2014
Глубокие нейронные сети для акустического моделирования в распознавании речи: общее мнение четырёх исследовательских групп2012
Встраивание графа знаний посредством трансляций на гиперплоскостях2014
Обучение встраиваний сущностей и отношений для дополнения графа знаний2015
Встраивание (эмбеддинг) графа знаний с помощью динамической матрицы отображения2015
Работы, цитирующие эту статью7
Обзор графов знаний: представление, получение и приложения2021
Метавселенная: таксономия, компоненты, приложения и открытые проблемы2022
Глубокое обучение на графах: обзор2020
Графы знаний: возможности и проблемы2023
Граф знаний и рассуждения на графах знаний: систематический обзор2022
AgentAI: Всеобъемлющее обзорное исследование автономных агентов в распределённом ИИ для Индустрии 4.02025
Генерация исследовательских гипотез на основе научных графов знаний2025