64、知识图谱中基于完整性感知的规则学习与评估

知识图谱中基于完整性感知的规则学习与评估

在知识图谱（KG）的研究中，规则学习和评分是至关重要的环节。传统的规则评分方法存在一定的局限性，而基于完整性感知的规则学习方法为解决这些问题提供了新的思路。本文将深入探讨基于完整性感知的规则学习方法，包括规则评分、数值语句获取以及评估等方面。

1. 规则评分基础与现有问题

在关联规则学习中，规则评分和排序是核心步骤。常见的规则排名指标有置信度、确信度和提升度等。然而，现有的基于部分完整性假设（PCA）的置信度存在明显不足：
- 对不完整关系规则评分不准确 ：仅将部分对作为反例，可能会给预测非常不完整关系事实的规则赋予过高分数，如洗礼地点这类关系。
- 不适用于非批量添加数据的非功能关系 ：对于像奖项这类数据，重要的奖项会立即添加，而其他的可能添加缓慢甚至不添加，PCA置信度并不适用。

2. 完整性元数据的表示

通过固定三元组中的主语、谓语或宾语，可以得到6种不同的基数模板，用于报告理想图$G_i$中相应事实的数量。例如，对于$\langle john \ hasChild \ mary \rangle$，可以统计以下几种情况：
1. 约翰的孩子数量。
2. 从约翰到玛丽的边的数量。
3. 到玛丽的入边数量。
4. 以约翰为主语的事实数量。
5. 关于 hasChild 关系的事实数量。
6. 以玛丽为宾语的事实数量。

实际中，模板（1）和（3）的数值语句可以通过网络提取技术、关系的功能属性或众包获取。我们使用基数