[论文解读] Knowledge Graph Reasoning with Logics and Embeddings: Survey and Perspective

Wen Zhang, Jiaoyan Chen+4 more|arXiv (Cornell University)|Feb 15, 2022

Advanced Graph Neural Networks被引用 13

一句话总结

本综述对基于逻辑与基于嵌入的知识图谱推理进行了全面分析，将方法分类为逻辑增强型嵌入和嵌入增强型逻辑任务。它识别出关键的集成机制，探讨了逻辑多样性与可解释性方面的挑战，并倡导建立统一基准，推动预训练模型中更广泛的应用。

ABSTRACT

Knowledge graph (KG) reasoning is becoming increasingly popular in both academia and industry. Conventional KG reasoning based on symbolic logic is deterministic, with reasoning results being explainable, while modern embedding-based reasoning can deal with uncertainty and predict plausible knowledge, often with high efficiency via vector computation. A promising direction is to integrate both logic-based and embedding-based methods, with the vision to have advantages of both. It has attracted wide research attention with more and more works published in recent years. In this paper, we comprehensively survey these works, focusing on how logics and embeddings are integrated. We first briefly introduce preliminaries, then systematically categorize and discuss works of logic and embedding-aware KG reasoning from different perspectives, and finally conclude and discuss the challenges and further directions.

研究动机与目标

• 系统性地对符号逻辑与知识图谱嵌入集成的最新进展进行分类与分析。
• 通过识别两种范式之间的协同效应，解决纯逻辑或纯嵌入推理的局限性。
• 突出开放性挑战，如逻辑多样性、可解释性、基准测试以及真实世界应用的集成。
• 为未来在预训练知识模型中的神经符号集成研究提供路线图。
• 支持开发更稳健、可解释且可泛化的知识推理系统。

提出的方法

• 将逻辑与嵌入的集成划分为两大主要方向：将逻辑注入嵌入学习过程，以及利用嵌入支持逻辑推理任务。
• 基于逻辑类型（如路径规则、类别层次结构）、预定义逻辑的存在、集成阶段及交互方式，分析集成机制。
• 回顾具体技术，如 SIC、ReasonKGE 和 TransOWL，这些技术支持通用本体模式与多跳推理。
• 提出多步推理模型，将符号推理步骤注入嵌入空间，以提升可解释性。
• 引入可解释机器学习技术，以在混合模型中保持透明性。
• 主张以模式正确性替代银标准评估，并呼吁建立涵盖多样化逻辑模式的基准。

实验结果

研究问题

• RQ1 如何有效集成符号逻辑与知识图谱嵌入，以结合两种范式的优点？
• RQ2 将逻辑注入嵌入与利用嵌入增强逻辑推理之间，关键差异与权衡是什么？
• RQ3 在统一的嵌入框架中，支持多样化逻辑类型（如全称量化、不相交性）的主要挑战是什么？
• RQ4 如何缓解嵌入模型的黑箱特性，以提升混合推理系统中的可解释性？
• RQ5 需要什么样的基准才能公平评估逻辑-嵌入集成，特别是在标准数据集中缺少逻辑模式的情况下？

主要发现

• 大多数现有方法集中于狭窄的逻辑类型，如路径规则或基本类别层次结构，对复杂本体构造（如全称量化或不相交性）的支持有限。
• 仅有少数框架（如 SIC、ReasonKGE 和 TransOWL）支持通用本体模式，凸显了整体逻辑集成方面的差距。
• 当前基准如 WN18RR 和 FB15k-237 常常缺乏多样的逻辑模式，导致在测试逻辑感知能力时产生误导性评估结果。
• 使用银标准正确性度量存在疑问，因为结果在不同知识图谱之间不具备泛化能力，表明需要基于模式的正确性评估。
• 可解释性仍是主要挑战，因为嵌入模型的中间表示难以解释，除非有符号基础或可解释性技术的支持。
• 未来在低资源学习、推荐系统以及预训练知识模型中的应用，将显著受益于逻辑-嵌入集成方法。