20、知识图谱上的规则归纳与推理：方法与展望

知识图谱上的规则归纳与推理：方法与展望

在知识图谱的研究领域中，规则归纳和推理是实现知识图谱补全的重要手段。本文将介绍当前知识图谱规则归纳的相关技术，包括优化规则评估、非单调规则学习的方法，以及未来的研究方向。

优化规则评估

目前，大多数先进的规则挖掘系统仅对规则构建阶段进行并行化处理，而规则质量的确定则在单线程中完成。像YAGO或Freebase这样的大型知识图谱，由于其数据量巨大，无法存储在单台机器上，因此规则质量的估计通常委托给第三方数据库管理系统，但这种方法在实际应用中可能并不总是有效。

与其他先进的规则挖掘系统不同，本体路径查找（OP）算法专注于高效检查规则的质量。在基于某种变体构建候选规则后，通过一系列并行化和优化方法（包括知识图谱分区、连接和剪枝策略）来确定规则的质量。

非单调规则学习

Horn规则在表示不完整的人类知识和捕捉例外情况方面存在不足，因此需要学习非单调规则。下面介绍两种学习非单调规则的方法。

基于修订的方法

传统的归纳逻辑编程（ILP）通过学习非单调逻辑程序来处理异常，但大多数现有方法假设规则所基于的数据是完整的。而基于修订的方法则针对不完整的知识图谱，通过将二元事实投影为一元事实进行预处理，然后应用数据挖掘方法提取Horn规则，并添加否定原子。

该方法将知识图谱补全问题视为理论修订任务，目标是通过添加例外来修订现有的Horn规则集，以提高规则的预测准确性。为了估计修订后规则集的质量，定义了两个通用的质量函数qrm和qconflict。

• qrm函数 ：
  [q