基于图神经网络的知识图谱研究进展( 六 )
融合知识
采用图构建知识和数据之间的关联从而引入知识图谱 ， 是目前研究的一种主流思路之一 。 通常 ， 真实数据中的交互关系有丰富的属性特征（如用户–商品交互图中用户和商品都带有丰富的属性特征） ， 而知识图谱则是关系特征丰富的 ， 即相对更侧重于结构性 。 此外 ， 知识图谱中的本体概念层包含大量的谓词逻辑规则知识 ， 如何设计更合适的图神经网络模型弥补这三者之间的语义鸿沟 ， 从而更好地融合知识图谱中的先验知识 ， 将是一个研究难点 。 一种直接的思路是利用异质图神经网络的方法 ， 考虑节点的异质性和多模态性 ， 从而用适合各类型的不同方式对不同的信息进行融合 。
复杂推理
由于基于嵌入的方法在复杂的逻辑推理上有局限性 ， 因而可以进一步探讨关系路径和符号逻辑两个方向 。 异质图上的元路径定义了高阶的语义关系 ， 而知识图谱可看作一种特殊的异质图 ， 将基于异质图神经网络的消息传递与基于强化学习的路径查找和约减相结合 ， 是一种可行的处理复杂推理的思路 。 研究者们最近的工作将概率图模型（如马尔科夫网）与图神经网络相结合 ， 旨在消息传递时发现并推理逻辑规则 ， 而利用此类模型挖掘知识图谱上的推理规则 ， 也是一个值得注意的研究方向 。
可解释性
深度学习的黑盒问题被人诟病已久 ， 图神经网络的信息传播机制相较传统深度学习模型更具有可解释性 。 知识图谱提供了现实世界的事实知识 ， 利用图神经网络模型尤其是概率图神经网络应用在知识图谱中实现逻辑推理 ， 从而显式地生成基于知识图谱的推理路径 ， 或许可以期待打开深度学习的黑盒 。
脚注
1 双过程理论(dual process theory)认为 ， 人的认知分为两个系统 ， 其一是基于直觉的、无知觉的思考系统 ， 其运作依赖于经验和关联；其二是人类特有的逻辑推理能力 ， 此系统利用工作记忆中的知识进行慢速但是可靠的逻辑推理 。
推荐阅读
- 体育知识科普|穿书自救指南：前三集预报已出，宣传还要粉丝催，背景有点粗拙？
- 知识百科|具荷拉财产分割审判推迟 哥哥与父母将三方会面
- 汽车知识|7月销量都很高，内饰设计也别出心裁，探岳/途观L各有各的优势
- 小飞人|这25个与大自然相关的冷知识 你或许都没有听说过
- 汽车知识|奔驰全新S级的内饰好看吗？不得不说优秀全靠同行衬托
- 汽车知识|2021款长安CS75PLUS上市 增加原子灰配色 提供蓝鲸两种动力
- 创新|《2020年全球创新指数报告》发布
- 指数债券|美债收益率曲线的陡平之辨：基于供需视角的分析
- 知识百科|是时候穿薄外套了！初秋穿这几款时髦又好看，赶快Pick起来
- #创新#全球创新哪家强？中国创新能力排名保持第14位