[论文解读] Knowledge Graph Embeddings and Explainable AI

Federico Bianchi, Gaetano Rossiello+3 more|arXiv (Cornell University)|Apr 30, 2020

Explainable Artificial Intelligence (XAI)参考文献 101被引用 30

一句话总结

这章介绍知识图谱嵌入，说明它们如何生成与评估，综述最先进的方法，并讨论嵌入如何支持可解释性。

ABSTRACT

Knowledge graph embeddings are now a widely adopted approach to knowledge representation in which entities and relationships are embedded in vector spaces. In this chapter, we introduce the reader to the concept of knowledge graph embeddings by explaining what they are, how they can be generated and how they can be evaluated. We summarize the state-of-the-art in this field by describing the approaches that have been introduced to represent knowledge in the vector space. In relation to knowledge representation, we consider the problem of explainability, and discuss models and methods for explaining predictions obtained via knowledge graph embeddings.

研究动机与目标

• 定义什么是知识图谱嵌入，以及它们如何表示为低维向量。
• 解释知识图谱嵌入如何生成和训练，包括评分函数与损失函数。
• 调研主要的 KG 嵌入模型族（平移/translational 和双线性/bilinear）及关键例子。
• 讨论附加信息（文本、图像、逻辑）如何提升嵌入及其可解释性。

提出的方法

• 将知识图谱表示为三维邻接张量，并将实体与关系嵌入到向量空间。
• 描述 TransE 的评分函数及其通过基于边界的损失和负采样进行训练。
• 概述包含额外信息的扩展（例如 DKRL 将结构与描述结合）。
• 将嵌入模型分为 translational、bilinear、神经网络，以及最新的神经符号方法，并给出代表性示例（如 RESCAL、DistMult、ComplEx、RotatE、HAKE）。
• 解释负采样（例如损坏的三元组）以及对抗技术（例如 KBGAN）在训练中的作用。
• 讨论对链接预测的评估重点，以及数据集和超参数如何影响结果。

实验结果

研究问题

• RQ1 知识图谱嵌入的主要类别及代表性模型有哪些？
• RQ2 KG 嵌入如何训练与评估，特别是用于链接预测？
• RQ3 存在哪些用外部信息（文本、图像、规则）增强嵌入的方法，它们如何影响可解释性？
• RQ4 知识图谱嵌入可解释性面临的挑战与前景？

主要发现

• 平移模型（如 TransE）和双线性模型（如 RESCAL、DistMult、ComplEx）构成核心知识图谱嵌入家族。
• 如 ComplEx 和 RotatE 的模型在处理不对称性与关系属性方面比更简单的对角/距离型变体更有效。
• 使用文本、图像和逻辑规则的增强可以改进表示，并实现零样本或多模态能力。
• 由于嵌入编码潜在因子，可解释性仍然具有挑战性；最近的工作在探索将推理与逻辑整合到嵌入中以帮助解释。
• 存在广泛的先进方法（如 TKRL、HAKE、TuckER、COKE），并持续探索神经-符号方法以提升可解释性。