18、知识图谱上的规则归纳与推理

知识图谱上的规则归纳与推理

1. 引言

信息提取技术的进步催生了大量图结构的知识库，即知识图谱（KGs），如NELL、DBpedia、YAGO和Wikidata等。这些知识图谱包含数以百万或十亿计的关系事实，以主谓宾（SPO）三元组的形式呈现，例如 ⟨albert einstein marriedTo mileva maric⟩ 或 ⟨albert einstein type phycisist⟩，可直接用正一元和二元一阶逻辑事实表示。

规则学习是知识图谱的一项重要任务，在知识图谱的管理（补全、错误检测）、数据挖掘和语义文化学等多个领域都有广泛应用。知识图谱上的规则形式为 head ← body，其中 head 是二元原子，body 是（可能取反的）二元和一元原子的合取。

传统上，规则归纳在数据库的关系数据挖掘中被研究，近年来也被应用于知识图谱。这些方法可用于从知识图谱中识别显著模式，如 “已婚人士居住在同一地方”，并将其表示为霍恩规则（即仅含正原子的规则），例如：r1 : livesIn(Y, Z) ← marriedTo(X, Y), livesIn(X, Z)。

对于知识图谱的管理，规则学习有两方面好处：一是在开放世界假设下（即缺失的事实被视为未知而非错误），规则可用于推导额外事实，如缺失的居住地点；二是规则可用于消除知识图谱中的错误事实。

当自动学习规则时，会使用支持度、置信度等统计指标来评估规则质量。然而，这些指标仅在知识图谱相对完整时才有意义。对于从不完整的知识图谱中学习的规则，这些指标可能会产生误导，因为它们无法反映缺失事实的模式，这可能导致从不完整和有偏差的知识图谱中提取错误规则。为解决这一问题，人们提出了一些专门针对不完整