CN114925190A - 一种基于规则推理与gru神经网络推理的混合推理方法 - Google Patents

一种基于规则推理与gru神经网络推理的混合推理方法 Download PDF

Info

Publication number
CN114925190A
CN114925190A CN202210597265.9A CN202210597265A CN114925190A CN 114925190 A CN114925190 A CN 114925190A CN 202210597265 A CN202210597265 A CN 202210597265A CN 114925190 A CN114925190 A CN 114925190A
Authority
CN
China
Prior art keywords
rule
inference
gru
network
rules
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202210597265.9A
Other languages
English (en)
Other versions
CN114925190B (zh
Inventor
杨文清
胡江溢
张楠
商莹楠
滕家雨
刘爱华
王光林
潘健
苏婧仪
张文强
朱佳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
NARI Group Corp
Nari Technology Co Ltd
Original Assignee
NARI Group Corp
Nari Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by NARI Group Corp, Nari Technology Co Ltd filed Critical NARI Group Corp
Priority to CN202210597265.9A priority Critical patent/CN114925190B/zh
Publication of CN114925190A publication Critical patent/CN114925190A/zh
Application granted granted Critical
Publication of CN114925190B publication Critical patent/CN114925190B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/332—Query formulation
    • G06F16/3329—Natural language query formulation or dialogue systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Human Computer Interaction (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于规则推理与GRU神经网络推理的混合推理方法，包括步骤：生成知识图谱并给定的问题查询q，利用GRU网络生成逻辑规则；基于生成的逻辑规则，构建马尔可夫逻辑网络进行知识图谱推理，对逻辑规则进行价值打分；将生成的高质量逻辑规则给到GRU网络用于优化网络参数；利用价值函数计算推理结果的得分并输出可能的结果，量化表示推理结果的可信度。本发明通过对价值函数的设计，结合规则推理和GRU神经网络推理，能够快速有效地找到知识推理的结果，并计算推理结果的可信度。

Description

一种基于规则推理与GRU神经网络推理的混合推理方法
技术领域
本发明涉及信息与网络的技术领域，具体是涉及一种基于规则推理与GRU神经网络推理的混合推理方法。
背景技术
知识图谱(Knowledge Graph)本质是一种语义网络，通常用(头实体h，关系r，尾实体t)这样的三元组来表达事物属性以及事物之间的语义关系。自知识图谱概念以来，知识图谱已经为智能问答、对话生成、个性化推荐等多个NLP任务领域提供了有力支撑。知识图谱推理是指利用现有知识图谱中的知识三元组，得到新的实体间的关系或者实体的属性三元组，主要用于知识图谱中的知识补全、知识纠错和知识问答。知识图谱能够从海量数据中挖掘、组织和有效管理知识，提高信息服务质量，为用户提供更智能的服务，所有这些方面都依赖于知识推理对知识图谱的支持。知识图谱上的关系推理是知识工程和人工智能领域的一个重要研究问题。
目前已经有多种从知识图谱中学习逻辑规则的方法。大多数传统方法，例如路径排序算法、马尔科夫逻辑网络，通过枚举图上的关系路径作为候选逻辑规则，进而根据算法学习每个候选逻辑规则的权重评估规则质量。最近也有研究者提出了一些基于神经逻辑编程的方法，以可微的方式同时学习逻辑规则及其权重。虽然这些方法在经验上对预测是有效的，但它们的搜索空间是指数级的，因此很难识别高质量的逻辑规则。此外，还有一些研究将逻辑规则学习问题描述为一个连续的决策过程，并使用强化学习来搜索逻辑规则，这大大降低了搜索的复杂性。然而，由于学习过程中的动作空间大、奖励少，这些方法的逻辑规则提取效果仍不尽人意。
发明内容
发明目的：针对以上缺点，本发明提供一种基于规则推理与GRU神经网络推理的混合推理方法，能够生成高质量的逻辑规则，快速有效地找到知识推理的结果，并计算推理结果的可信度。
技术方案：为解决上述问题，本发明提供一种基于规则推理与GRU神经网络推理的混合推理方法，包括以下步骤：
(1)从知识数据库加载数据生成知识图谱，设定一个查询q(h,r,？)，h为头实体，r为规则，？为待查询结果；利用GRU网络根据查询q(h,r,？)生成规则集合R；(2)设定候选答案，根据生成规则集合R在知识图谱上构建马尔可夫逻辑网络进行知识图谱推理，获得规则集合R中每个规则对候选答案的贡献进行评价打分；
(3)取分数最高的K个规则组成的最大化规则集合RK，通过最大化规则集合RK的对数似然来更新GRU网络参数θ；
(4)重复步骤(1)至步骤(3)N′次得到训练好的GRU网络；利用训练好的GRU网络再次根据给定的查询q(h,r,？)生成规则集合，并将新生成的规则集合在知识图谱上构建马尔可夫逻辑网络进行知识图谱推理；利用价值函数计算每个规则价值得分，选取得分最高的规则推理的实体作为推理结果输出。
进一步的，步骤(1)中利用GRU网络根据查询q(h,r,？)生成规则集合R具体为：
(1.1)设定一组规则rule＝[rq,r1,r2,……rl,re]用于推理，rq表示查询关系，re表示规则结束，ri表示规则体，i∈(1……l)；
(1.2)利用GRU网络根据当前给定的规则生成下一组规则；所述GRU网络定义公式如下：
h0＝f1(vr)
ht′＝GRU(ht′-1,f2[vr,vrt′])
式中，h0为GRU网络的初始状态隐藏层，ht′为t′状态的隐藏层，ht′-1为t′状态的前一状态的隐藏层；f1和f2是线性变换函数，vr是查询q的头关系嵌入向量，vrt′是与vr关联关系的嵌入向量，[vr,vrt′]为向量串联操作；
(1.3)将生成的下一组规则作为当前给定的规则重复步骤(1.2)N-1次，获得N组规则形成集合R；获取概率分布pθ(R|q)为：
pθ(R|q)＝MD(R|D,GRUθ(q))
式中，MD代表多项式分布；D为集合R大小的超参数；GRUθ(q)定义了查询为q的组合规则上的分布。
进一步的，步骤(2)具体为：
(2.1)假设待查询结果？的候选答案集合为A，A为规则集合R中的所有规则推理得到候选答案构成的集合，候选答案a∈A；
(2.2)根据生成规则集合R在知识图谱上构建马尔可夫逻辑网络进行知识图谱推理，构建的马尔可夫逻辑网络概率计算公式为：
Figure BDA0003668602450000021
式中，t为查询结果；z为配分函数；wrule为权重；nrule(t)是获得候选答案a＝t的推理过程中规则rule满足的次数，即一阶逻辑谓词F所有取真值的规则rule的数量；
(2.3)针对规则集合R中每个规则对候选答案的贡献进行评价打分，打分函数为：
H(rule)＝pθ(rule|q)nrule(t))
式中，H(rule)表示规则集合R中每个规则对候选答案的贡献获取的分数；pθ(rule|q)为GRU网络根据给定的查询q生成规则rule的先验概率；
进一步的，步骤(3)中通过最大化规则集合RK的对数似然来更新GRU网络参数θ公式为：
Figure BDA0003668602450000031
进一步的，步骤(4)中利用价值函数计算价值得分具体是：将新生成的规则集合中每个新生成的规则对应的马尔可夫逻辑网络概率作为价值得分，公式为：
Figure BDA0003668602450000032
式中，b为候选答案，b∈B，B为新生成的规则集合中的所有规则推理得到候选答案构成的集合。
进一步的，步骤(4)中N′取值为3。
此外，本发明还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现权利上述方法的步骤。一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的方法的步骤。
有益效果：本发明所述的所述一种基于规则推理与GRU神经网络推理的混合推理方法相对于现有技术，其显著优点是：通过GRU神经网络生成逻辑规则，并根据生成的逻辑规则结合马尔可夫逻辑网络进行知识推理，对推理结果进行评分，选取高质量的逻辑规则用于GRU网络的优化；采用优化后的GRU网络生成高质量的逻辑规则并结合马尔可夫逻辑网络量化表示推理结果的可信度，从而快速有效地找到知识推理的结果。
附图说明
图1所示为本发明所述方法的流程图；
图2所示为本发明所述方法的结构图；
图3所示为本发明所述马尔可夫逻辑网络构建流程图。
具体实施方式
下面结合附图对本发明的技术方案进一步说明。
如图1所示，本发明所述的一种基于规则推理与GRU神经网络推理的混合推理方法，具体包括以下步骤：
步骤一、生成知识图谱与逻辑规则；
本发明的目标是知识推理，即给出推理问题，自动搜索知识图谱中可信的答案。
(1)从知识数据库中加载数据并构建知识图谱，设定问题查询q(h,r,？)；h为头实体，r为规则，？为待查询结果；
(2)根据设定的查询问题，利用GRU网络生成逻辑规则集合R；
如图2所示，GRU网络包括规则生成器和推理逻辑器。其中，规则生成器先生成一组逻辑规则用于推理来回答查询，推理逻辑器用于筛选出高质量规则。对于生成的逻辑规则可以认为是一组序列关系[rq,r1,r2,……rl,re]，GRU根据当前的逻辑规则利用生成下一组逻辑规则。具体包括以下步骤：
(1.1)设定一组规则rule＝[rq,r1,r2,……rl,re]用于推理，rq表示查询关系，re表示规则结束，ri表示规则体，i∈(1……l)，该规则体表示一些具体的路径；
(1.2)利用GRU网络根据当前给定的规则生成下一组规则；使用的GRU网络定义如下：
h0＝f1(vr)
ht′＝GRU(ht′-1,f2[vr,vrt′])
式中，h0为GRU网络的初始状态隐藏层，ht′为t′状态的隐藏层，ht′-1为t′状态的前一状态的隐藏层；f1和f2是线性变换函数，vr是问题查询q的头关系嵌入向量，vrt′是与vr关联关系的嵌入向量，[vr,vrt′]为向量串联操作；
(1.3)将生成的下一组规则作为当前给定的规则重复步骤(1.2)N-1次，获得N组规则形成规则集合R；将生成规则集合R上的分布定义为多项式分布，得到
概率分布pθ(R|q)为：
pθ(R|q)＝MD(R|D,RUθ(q))
式中，MD代表多项式分布；D为集合R大小的超参数；GRUθ(q)定义了查询为q的组合规则上的分布。
步骤二、基于生成的规则集合R，在知识图谱上构建马尔可夫逻辑网络进行知识图谱推理；获得规则集合R中每个规则对候选答案的贡献进行评价打分。
如图3所示，马尔可夫逻辑网络是由最大似然方法构建的，首先，将预先定义的规则转化为子句的集合，然后每个子句作为一个节点，每个集合中的子句相互之间都有连边，构成马尔科夫逻辑网络。将生成规则集合R在知识图谱上构建马尔可夫逻辑网络进行知识图谱推理，并评分具体为：
(2.1)假设待查询结果？的候选答案集合为A，A为集合R中的所有规则推理得到候选答案构成的集合，候选答案a∈A；
(2.2)根据生成规则集合R在知识图谱上构建马尔可夫逻辑网络进行知识图谱推理；构建的马尔可夫逻辑网络边权，即马尔可夫逻辑网络的概率计算公式为：
Figure BDA0003668602450000051
式中，t为查询结果；z为配分函数；wrule为权重；nrule(t)是获得候选答案a＝t的推理过程中规则rule满足的次数，即一阶逻辑谓词F所有取真值的规则rule的数量；
(2.3)针对规则集合R中每个规则对候选答案的贡献进行评价打分，打分函数为：
H(rule)＝pθ(rule|q)nrule(t))
式中，H(rule)表示规则集合R中每个规则对候选答案的贡献获取的分数；pθ(rule|q)为GRU网络根据给定的查询q生成规则rule的先验概率；
步骤三、筛选出质量高的规则并优化GRU网络
取分数H(rule)最高的K个规则rule组成的最大化规则集合RK，通过最大化规则集合RK的对数似然来更新GRU网络参数θ，公式为：
Figure BDA0003668602450000052
四、获取最终查询结果，具体包括：
(1)重复步骤二至步骤三进行迭代操作三次，得到训练好的GRU网络。即每一次更新的GRU网络重新生成规则集合，重新在知识图谱上构建马尔可夫逻辑网络进行知识图谱推理进行打分，筛选出规则进行新一轮的更新，直至完成设定的迭代次数。
(2)利用训练好的GRU网络再根据给定的问题查询q生成规则集合，该新生成的规则集合在知识图谱上构建马尔可夫逻辑网络进行知识图谱推理。其中，新生成的规则集合中的所有规则推理得到候选答案构成的集合为B，b为候选答案，b∈B。
(3)计算每个规则对应的马尔可夫逻辑网络概率，将b的发生概率作为b的价值得分，计算该价值得分的价值函数公式为：
Figure BDA0003668602450000061
比较不同规则的得分，获得得分最高的规则所推理得到的实体为最终的输出结果。

Claims (8)

1.一种基于规则推理与GRU神经网络推理的混合推理方法，其特征在于，包括步骤：
(1)从知识数据库加载数据生成知识图谱，设定一个查询q(h,r,？)，h为头实体，r为规则，？为待查询结果；利用GRU网络根据查询q(h,r,？)生成规则集合R；
(2)设定候选答案，根据生成规则集合R在知识图谱上构建马尔可夫逻辑网络进行知识图谱推理，获得规则集合R中每个规则对候选答案的贡献进行评价打分；
(3)取分数最高的K个规则组成的最大化规则集合RK，通过最大化规则集合RK的对数似然来更新GRU网络参数θ；
(4)重复步骤(1)至步骤(3)N′次得到训练好的GRU网络；利用训练好的GRU网络再次根据给定的查询q(h,r,？)生成规则集合，并将新生成的规则集合在知识图谱上构建马尔可夫逻辑网络进行知识图谱推理；利用价值函数计算每个规则价值得分，选取得分最高的规则推理的实体作为推理结果输出。
2.根据权利要求1所述的基于规则推理与GRU神经网络推理的混合推理方法，其特征在于，步骤(1)中利用GRU网络根据查询q(h,r,？)生成规则集合R具体为：
(1.1)设定一组规则rule＝[rq,r1,r2,……rl,re]用于推理，rq表示查询关系，re表示规则结束，ri表示规则体，i∈(1……l)；
(1.2)利用GRU网络根据当前给定的规则生成下一组规则；所述GRU网络定义公式如下：
h0＝f1(vr)
ht′＝GRU(ht′-1,f2[vr,vrt′])
式中，h0为GRU网络的初始状态隐藏层，ht′为t′状态的隐藏层，ht′-1为t′状态的前一状态的隐藏层；f1和f2是线性变换函数，vr是查询q的头关系嵌入向量，vrt′是与vr关联关系的嵌入向量，[vr,vrt′]为向量串联操作；
(1.3)将生成的下一组规则作为当前给定的规则重复步骤(1.2)N-1次，获得N组规则形成规则集合R；获取概率分布pθ(R|q)为：
pθ(R|q)＝MD(R|D，GRUθ(q))
式中，MD代表多项式分布；D为集合R大小的超参数；GRUθ(q)定义了查询为q的组合规则上的分布。
3.根据权利要求2所述的基于规则推理与GRU神经网络推理的混合推理方法，其特征在于，步骤(2)具体为：
(2.1)假设待查询结果？的候选答案集合为A，A为规则集合R中的所有规则推理得到候选答案构成的集合，候选答案a∈A；
(2.2)根据生成规则集合R在知识图谱上构建马尔可夫逻辑网络进行知识图谱推理，构建的马尔可夫逻辑网络概率计算公式为：
Figure FDA0003668602440000021
式中，t为查询结果；z为配分函数；wrule为权重；nrule(t)是获得候选答案a＝t的推理过程中规则rule满足的次数，即一阶逻辑谓词F所有取真值的规则rule的数量；
(2.3)针对规则集合R中每个规则对候选答案的贡献进行评价打分，打分函数为：
H(rule)＝pθ(rule|q)nrule(t))
式中，H(rule)表示规则集合R中每个规则对候选答案的贡献获取的分数；pθ(rule|q)为GRU网络根据给定的查询q生成规则rule的先验概率。
4.根据权利要求3所述的基于规则推理与GRU神经网络推理的混合推理方法，其特征在于，步骤(3)中通过最大化规则集合RK的对数似然来更新GRU网络参数θ公式为：
Figure FDA0003668602440000022
5.根据权利要求1所述的基于规则推理与GRU神经网络推理的混合推理方法，其特征在于，步骤(4)中利用价值函数计算价值得分具体是：将新生成的规则集合中每个新生成的规则对应的马尔可夫逻辑网络概率作为价值得分，公式为：
Figure FDA0003668602440000023
式中，b为候选答案，b∈B，B为新生成的规则集合中的所有规则推理得到候选答案构成的集合。
6.根据权利要求1所述的基于规则推理与GRU神经网络推理的混合推理方法，其特征在于，步骤(4)中N′取值为3。
7.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至权利要求6所述方法的步骤。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至权利要求6所述的方法的步骤。
CN202210597265.9A 2022-05-30 2022-05-30 一种基于规则推理与gru神经网络推理的混合推理方法 Active CN114925190B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210597265.9A CN114925190B (zh) 2022-05-30 2022-05-30 一种基于规则推理与gru神经网络推理的混合推理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210597265.9A CN114925190B (zh) 2022-05-30 2022-05-30 一种基于规则推理与gru神经网络推理的混合推理方法

Publications (2)

Publication Number Publication Date
CN114925190A true CN114925190A (zh) 2022-08-19
CN114925190B CN114925190B (zh) 2023-08-04

Family

ID=82812251

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210597265.9A Active CN114925190B (zh) 2022-05-30 2022-05-30 一种基于规则推理与gru神经网络推理的混合推理方法

Country Status (1)

Country Link
CN (1) CN114925190B (zh)

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107423399A (zh) * 2017-07-26 2017-12-01 北京师范大学珠海分校 一种基于知识图谱推理的科研项目申报信息语义推荐方法
CN111046191A (zh) * 2019-12-25 2020-04-21 国网江苏省电力有限公司电力科学研究院 一种电力领域语义增强方法和装置
CN111260064A (zh) * 2020-04-15 2020-06-09 中国人民解放军国防科技大学 基于元知识的知识图谱的知识推理方法、系统以及介质
CN111581343A (zh) * 2020-04-24 2020-08-25 北京航空航天大学 基于图卷积神经网络的强化学习知识图谱推理方法及装置
CN111985653A (zh) * 2020-06-24 2020-11-24 国网江苏省电力有限公司 基于知识图谱的电网故障知识推荐与知识管理系统及方法
CN112288091A (zh) * 2020-10-30 2021-01-29 西南电子技术研究所（中国电子科技集团公司第十研究所） 基于多模态知识图谱的知识推理方法
CN112597316A (zh) * 2020-12-30 2021-04-02 厦门渊亭信息科技有限公司 一种可解释性推理问答方法及装置
US20210150341A1 (en) * 2019-11-18 2021-05-20 UMNAI Limited Architecture for an explainable neural network
CN112966823A (zh) * 2020-12-24 2021-06-15 东南大学 一种基于知识图谱推理的场所识别方法
US20210216887A1 (en) * 2020-01-14 2021-07-15 Nec Laboratories America, Inc. Knowledge graph alignment with entity expansion policy network
CN113360604A (zh) * 2021-06-23 2021-09-07 中国科学技术大学 基于认知推理的知识图谱多跳问答方法及模型
US20210326742A1 (en) * 2020-04-16 2021-10-21 Microsoft Technology Licensing, Llc Using a Multi-Task-Trained Neural Network to Guide Interaction with a Query-Processing System via Useful Suggestions
CN114064928A (zh) * 2021-11-24 2022-02-18 国家电网有限公司大数据中心 一种知识图谱的知识推理方法、装置、设备及存储介质
CN114444697A (zh) * 2022-01-20 2022-05-06 电子科技大学(深圳)高等研究院 一种基于知识图谱的常识缺失信息多跳推理方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107423399A (zh) * 2017-07-26 2017-12-01 北京师范大学珠海分校 一种基于知识图谱推理的科研项目申报信息语义推荐方法
US20210150341A1 (en) * 2019-11-18 2021-05-20 UMNAI Limited Architecture for an explainable neural network
CN111046191A (zh) * 2019-12-25 2020-04-21 国网江苏省电力有限公司电力科学研究院 一种电力领域语义增强方法和装置
US20210216887A1 (en) * 2020-01-14 2021-07-15 Nec Laboratories America, Inc. Knowledge graph alignment with entity expansion policy network
CN111260064A (zh) * 2020-04-15 2020-06-09 中国人民解放军国防科技大学 基于元知识的知识图谱的知识推理方法、系统以及介质
US20210326742A1 (en) * 2020-04-16 2021-10-21 Microsoft Technology Licensing, Llc Using a Multi-Task-Trained Neural Network to Guide Interaction with a Query-Processing System via Useful Suggestions
CN111581343A (zh) * 2020-04-24 2020-08-25 北京航空航天大学 基于图卷积神经网络的强化学习知识图谱推理方法及装置
CN111985653A (zh) * 2020-06-24 2020-11-24 国网江苏省电力有限公司 基于知识图谱的电网故障知识推荐与知识管理系统及方法
CN112288091A (zh) * 2020-10-30 2021-01-29 西南电子技术研究所（中国电子科技集团公司第十研究所） 基于多模态知识图谱的知识推理方法
CN112966823A (zh) * 2020-12-24 2021-06-15 东南大学 一种基于知识图谱推理的场所识别方法
CN112597316A (zh) * 2020-12-30 2021-04-02 厦门渊亭信息科技有限公司 一种可解释性推理问答方法及装置
CN113360604A (zh) * 2021-06-23 2021-09-07 中国科学技术大学 基于认知推理的知识图谱多跳问答方法及模型
CN114064928A (zh) * 2021-11-24 2022-02-18 国家电网有限公司大数据中心 一种知识图谱的知识推理方法、装置、设备及存储介质
CN114444697A (zh) * 2022-01-20 2022-05-06 电子科技大学(深圳)高等研究院 一种基于知识图谱的常识缺失信息多跳推理方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
JIN LIU 等: ""Deep Learning-Based Reasoning With Multi-Ontology for IoT Applications"", pages 124688 - 124701 *
论兵 等: ""知识图谱问答研究进展"", pages 226 - 236 *

Also Published As

Publication number Publication date
CN114925190B (zh) 2023-08-04

Similar Documents

Publication Publication Date Title
Basirat et al. The quest for the golden activation function
CN112052936B (zh) 基于生成对抗机制的强化学习探索方法及装置
Naik et al. Genetic algorithm-aided dynamic fuzzy rule interpolation
WO2022252455A1 (en) Methods and systems for training graph neural network using supervised contrastive learning
CN111914094A (zh) 一种基于三元交互的知识图谱表示学习方法
CN111832817A (zh) 基于mcp罚函数的小世界回声状态网络时间序列预测方法
CN115481727A (zh) 一种基于进化计算的意图识别神经网络生成与优化方法
CN116629431A (zh) 一种基于变分模态分解和集成学习的光伏发电量预测方法及装置
CN114780879A (zh) 一种用于知识超图的可解释性链接预测方法
KR100895481B1 (ko) 다중 클래스 ｓｖｍ을 이용한 영역 기반 이미지 검색 방법
Andersen et al. Evolving neural networks for text classification using genetic algorithm-based approaches
Phan et al. Efficiency enhancement of evolutionary neural architecture search via training-free initialization
CN114003729A (zh) 一种融合实体类型和关系路径信息的知识图谱补全方法
Zhang et al. Reinforcement learning with actor-critic for knowledge graph reasoning
Bentley et al. COIL: Constrained optimization in learned latent space: Learning representations for valid solutions
Arai et al. Fuzzy genetic algorithm for prioritization determination with technique for order preference by similarity to ideal solution
Gonzalez et al. Evolving loss functions with multivariate taylor polynomial parameterizations
CN114925190A (zh) 一种基于规则推理与gru神经网络推理的混合推理方法
Mohan Decision Trees: A comparison of various algorithms for building Decision Trees
CN116561302A (zh) 基于混合知识图谱推理的故障诊断方法、装置及存储介质
CN115422321A (zh) 一种知识图谱复杂逻辑推理方法、组件和知识图谱的查询检索方法
CN115169521A (zh) 一种保持预测顺序和结构依赖关系的图神经网络解释方法
Zhu et al. Efficient search for the number of channels for convolutional neural networks
CN113449869A (zh) 一种易推理贝叶斯网络的学习方法
Subakti et al. A variable-centered intelligent rule system

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant