[论文解读] A Simple Approach to Case-Based Reasoning in Knowledge Bases

Rajarshi Das, Ameya Godbole+3 more|arXiv (Cornell University)|Jun 25, 2020

Advanced Graph Neural Networks被引用 11

一句话总结

本文提出了一种非参数化、无需训练的基于案例的推理方法，用于知识图谱，通过检索相似实体并复用其推理路径来回答查询。通过利用k近邻实体的多种路径模式，该方法在NELL-995和FB-122上实现了最先进性能，优于参数化模型和元学习模型，尤其在低数据设置下表现更优。

ABSTRACT

We present a surprisingly simple yet accurate approach to reasoning in knowledge graphs (KGs) that requires \emph{no training}, and is reminiscent of case-based reasoning in classical artificial intelligence (AI). Consider the task of finding a target entity given a source entity and a binary relation. Our non-parametric approach derives crisp logical rules for each query by finding multiple extit{graph path patterns} that connect similar source entities through the given relation. Using our method, we obtain new state-of-the-art accuracy, outperforming all previous models, on NELL-995 and FB-122. We also demonstrate that our model is robust in low data settings, outperforming recently proposed meta-learning approaches

研究动机与目标

• 开发一种简单、非参数化的知识图谱推理方法，无需模型训练。
• 通过复用相似实体的推理模式，提升知识图谱补全中的零样本和低数据泛化能力。
• 克服参数化模型的局限性，如高计算成本以及在低数据场景下的泛化能力差。
• 通过从图中观察到的路径提取清晰的逻辑规则，实现稳健且可解释的推理。
• 证明基于相似实体的符号化、路径驱动推理可优于复杂的神经网络和元学习模型。

提出的方法

• 该方法基于共享关系，使用简单的内积相似度度量，检索与查询实体最相似的k个实体。
• 对于每个检索到的实体，识别出通过查询关系连接到目标实体的推理路径。
• 然后检查是否存在从查询实体出发的相似路径模式，并应用这些模式以推断答案。
• 通过支持推理路径的数量对多个候选答案进行排序，优先选择一致性更高的路径。
• 该方法是非参数化的，不将规则存储在模型权重中；相反，它动态地从知识图谱结构中提取规则。
• 该框架具有模块化设计，可集成神经网络模型用于相似度计算或路径匹配，尽管默认使用符号化方法。

实验结果

研究问题

• RQ1 基于案例推理的非参数化、无需训练的方法是否能在知识图谱推理中超越参数化模型？
• RQ2 从k近邻实体复用路径模式在低数据和零样本设置下的有效性如何？
• RQ3 简单的符号化路径匹配是否能在知识图谱补全中超越复杂的神经网络或元学习模型？
• RQ4 从相似实体中推导规则是否相比端到端参数化学习能提升鲁棒性和准确性？
• RQ5 基于案例推理的方法在多样的知识图谱结构和关系上具有多大程度的泛化能力？

主要发现

• 所提出的方法在NELL-995基准上实现了最先进性能，优于所有先前模型，包括近期的元学习和神经方法。
• 在FB-122数据集上，该方法取得了新的最先进结果，展现出强大的泛化能力和鲁棒性。
• 在低数据场景下，该方法显著优于元学习基线模型，证实了其数据效率。
• 该方法在无需任何训练的情况下实现了高准确率，完全依赖于知识图谱中的结构模式和相似度匹配。
• 利用来自相似实体的多种路径模式，相比单路径或参数化模型，能带来更可靠且一致的预测。
• 该框架具有高度可扩展性，可集成神经组件以增强相似度或路径匹配能力，尽管符号化方法本身已取得优异结果。