论文阅读笔记—Reasoning on Knowledge Graphs with Debate Dynamics（AAAI，2020）

本文链接：https://blog.youkuaiyun.com/spring_sky_/article/details/103944985

这篇论文提出了一种新颖的模型，通过模拟辩论动态在知识图谱上进行推理。两个智能体分别寻找证据证明三元组为真或假，而法官整合证据做出判断。模型基于LSTM网络，使用强化学习优化智能体策略，最终实现更可解释的推理过程。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

这是一篇非常有趣的工作，看完会觉得眼前一亮。
论文标题：Reasoning on Knowledge Graphs with Debate Dynamics
发表于AAAI，2020

动机

很多机器学习的任务都是通过将节点与关系嵌入，并计算三元组置信度得分，然后最大化正例的得分得到嵌入向量，但究竟哪一部分对最终的得分起作用是难以解释的，本文模型有个三个模块，分别是两个agent和 judge，对于待查询三元组： $q=(sq,pq,oq)q=\left(s_{q}, p_{q}, o_{q}\right)$ ，两个agent分别寻找证据链证明此三元组为True和False，并有Judge整合所有证据，得到最终结果。（听起来有点像GAN，但看下去会发现并不是）

Agent模块

定义状态States：记 $e_t^{(i)}$ 为第i个agent在t时刻查询的位置，则目前的状态可记为： $St(i)=(et(i),q)∈S=E2×R×ES_{t}^{(i)}=\left(e_{t}^{(i)}, q\right) \in \mathcal{S} = \mathcal{E}^{2} \times \mathcal{R} \times \mathcal{E}$
定义行动Actions：从状态 $St(i)=(et(i),q)S_{t}^{(i)}=\left(e_{t}^{(i)}, q\right)$ 出发，所有可能到达的节点集合（即 $e_t^{(i)}$ 的邻居集），记做 $ASt(i)\mathcal{A}_{S_{t}^{(i)}}$ ：
$\mathcal{A}_{S_{t}^{(i)}}=\left\{(r, e) \in \mathcal{R} \times \mathcal{E}: S_{t}^{(i)}=\left(e_{t}^{(i)}, q\right) \wedge\left(e_{t}^{(i)}, r, e\right) \in \mathcal{K} \mathcal{G}\right\}$
定义转移过程：若在状态 $St(i)=(et(i),q)S_{t}^{(i)}=\left(e_{t}^{(i)}, q\right)$