知识图谱从0到-1的笔记——6.知识推理
开始知识图谱从0到-1，用的书是《知识图谱方法、实践与应用》，做些阅读笔记，如有错误内容，望各位指正。
知识推理
- 知识推理
- 1. 推理概述
- 1.1 什么是推理
- 1.2 逻辑推理
- 1.2.1 演绎推理
- 1.2.2 归纳推理
- 1.2.3 溯因推理
- 1.2.4 类比推理
- 1.3 知识图谱推理
- 1.3 基于演绎的知识图谱推理
- 1.3.1 本体推理
- 1.3.1.1 本体与描述逻辑
- 1.3.1.2 基于Tableaux的本体推理方法
- 1.3.2 基于产生式规则的方法
- 1.3.2.1 产生式系统
- 1.4 基于归纳的知识图谱推理
- 1.4.1 基于规则学习的知识图谱推理
- 参考
知识推理
1. 推理概述
1.1 什么是推理
- 推理：通过已有的知识推断出未知知识的过程
推理的方法的分类和具体方式如下图所示，其中非逻辑推理的过程相对比较模型，而逻辑推理的透明性与定义比较清晰，所以主要围绕逻辑推理展开。
1.2 逻辑推理
1.2.1 演绎推理
- 演绎推理：是一种自上而下的逻辑推理，是指在给定的一个或多个前提下，推断出一个必然成立的结论的过程。典型的有：肯定前件假言推理、否定后件假言推理以及三段论
1.2.2 归纳推理
- 归纳推理：是一种自下而上的推理，是隐喻已有的部分观察得出一般结论的过程。
- 例子：人们见到的天鹅都是白色的，那么由此推理出天鹅大概率是白色。
1.2.3 溯因推理
- 溯因推理：事在给定一个或多个已有观察事实O(Observation),并根据已有的知识T（Theory）推断出对已有观察最简单且最有可能的解释的过程。
- 例子：我们知道下雨了马路一定会湿(T)，如果观察到马路是湿的（O）；可以通过溯因推理得到很大概率下雨(E(解释))
1.2.4 类比推理
- 类比推理：只基于对一个事物的观察而进行的对另一个事物的归纳推理，是通过寻找两者之间可以类比的信息，将已知事物上的结论迁移到新的事物上的过程。
- 例子：小树同学和大树同学都是知识图谱爱好者，他们都喜欢机器学习和编程，且小树同学喜欢NLP，那么通过类比推理可以得到大树同学也喜欢NLP
1.3 知识图谱推理
面向知识图谱的推理：主要围绕关系的推理展开，即基于图谱中已有的显性事实或关系推断出未知的事实或关系。从而辅助推理出新的事实、关系、公理以及规则等
一个丰富、完整的知识图谱的形成会经历很多阶段，从知识图谱的生命周期来看，不同阶段都涉及不同的推理任务，其中包括知识图谱补全、不一致性检测、查询扩展等。
知识图谱的推理的主要技术手段可以分为两大类：
- 基于演绎的知识图谱推理：基于描述逻辑、Datalog、产生式规则等
- 基于归纳的知识图谱推理：路径推理、表示学习、规则学习、基于强化学习的推理等
1.3 基于演绎的知识图谱推理
1.3.1 本体推理
1.3.1.1 本体与描述逻辑
演绎推理的过程需要明确定义的先验信息，所以基于演绎的知识图谱多围绕本体。本体的一般定义为概念化的显示规约，它给不同领域提供共享的词汇。因为共享的词汇需要赋予一定的语义，所以基于演绎的推理一般都在具有逻辑描述的基础的知识图谱上展开。
目前OWL是知识图谱语言中最规范、最严谨、表达能力最强的语言。基于RDF语法，使得表示出来的文档具有语义理解的结构基础。OWL在推理问题中，有以下的一些推理问题:
- 概念包含：例如Mother⊆Women和Women⊆PersonMother \subseteq Women 和Women \subseteq PersonMother⊆Women和Women⊆Person,可以得到Mother⊆PersonMother \subseteq PersonMother⊆Person
- 概念互斥: 例如Man∩Women⊆⊥Man \cap Women \subseteq \perpMan∩Women⊆⊥,可以得到ManManMan和WomenWomenWomen的概念是互斥的
- 概念可满足:例如Eternity⊆⊥Eternity \subseteq \perpEternity⊆⊥,可以得到EternityEternityEternity是不可满足概念
- 全局一致:例如公理Man∩Women⊆⊥Man \cap Women \subseteq \perpMan∩Women⊆⊥,可以得到Man(Allen)和Women(Allen)Man(Allen)和Women(Allen)Man(Allen)和Women(Allen)的本体是不一致的
- TBox一致:例如包含公理Man∩Women⊆⊥,Professor⊆Man和Professor⊆WomenMan \cap Women \subseteq \perp,Professor \subseteq Man 和 Professor \subseteq WomenMan∩Women⊆⊥,Professor⊆Man和Professor⊆Women的Tbox是不一致的
- 实例测试:判定个体aaa是否是概念CCC的实例，需要判定C(a)C(a)C(a)是否为给定知识库的逻辑结论
- 实例检索:找出概念CCC在给定知识库中的所有实例，需要找出属于CCC的所有个体aaa,即C(a)C(a)C(a)是给定知识库的逻辑结论。
1.3.1.2 基于Tableaux的本体推理方法
基于表运算（Tableaux）的本体推理方法是描述逻辑知识库一致性检测的最常用的方法。基于表运算的推理通过一系列规则构建Abox，已检测可满足性，或者检测某一实例是否存在某概念。
Tableaux运算规则(以主要DL算子举例)如下：
初始情况下，∅\empty∅是原始的Abox，迭代运用如下规则：
这里对第一个解释一下，其他的类似。第一个是说如果CCC 和D(x)D(x)D(x) 的合取是∅\empty∅，同时C(x)C(x)C(x) 和 D(x)D(x)D(x) 却不在∅\empty∅里，那么也就是说∅\empty∅有可能只包含了部分CCC，而C(x)C(x)C(x)不在里面，那么我们就把它们添加到∅\empty∅里。
下面我举个例子：
现在给定如下本体，检测实例Allen 是否在 Woman中? 即:
Man⊓Woman⊑⊥Man⊓Woman⊑⊥Man⊓Woman⊑⊥
Man(Allen)Man(Allen)Man(Allen)
检测 Woman(Allen)？Woman(Allen)？Woman(Allen)？其解决流程为:
- 首先加入带反驳的结论:
Man⊓Woman∈⊥Man⊓Woman∈⊥Man⊓Woman∈⊥
Man(Allen)Woman(Allen)Man(Allen) Woman(Allen)Man(Allen)Woman(Allen)
初始AboxAboxAbox，记为∅∅∅,其内包含Man(Allen)Woman(Allen)Man(Allen) Woman(Allen)Man(Allen)Woman(Allen)。
运用 ⊓+−⊓^+−⊓+−规则，得到 Man⊓Women(Allen)Man⊓Women(Allen)Man⊓Women(Allen)。将其加入到∅∅∅中，现在的 ∅∅∅为 Man(Allen)Woman(Allen)Man⊓Women(Allen)Man(Allen)\ \ \ Woman(Allen) \ \ \ Man⊓Women(Allen)Man(Allen) Woman(Allen) Man⊓Women(Allen)
运用 ⊑−⊑-⊑− 规则到Man⊓Women(Allen)Man⊓Women(Allen)Man⊓Women(Allen)与Man⊓Woman⊑⊥Man⊓Woman⊑⊥Man⊓Woman⊑⊥上，得到 ⊥(Aleen)⊥(Aleen)⊥(Aleen)。此时的∅∅∅包含 Man(Allen)Woman(Allen)Man⊓Women(Allen)⊥(Aleen)Man(Allen)\ \ \ Woman(Allen)\ \ \ Man⊓Women(Allen) \ \ \ ⊥(Aleen)Man(Allen) Woman(Allen) Man⊓Women(Allen) ⊥(Aleen)
运用⊥−⊥−⊥−规则，拒绝现在的∅∅∅。
得出Allen 不在Woman的结论。如果Woman(Allen)Woman(Allen)Woman(Allen)在初始情况已存在于原始本体,那么推导出该本体不可满足!
1.3.2 基于产生式规则的方法
1.3.2.1 产生式系统
产生式系统是一种前向推理系统，可以按照一定机制执行规则并达到某些目标，与一阶逻辑类似，也有区别。产生式系统可以应用于自动规划和专家系统等领域。一个产生式系统由事实集合、产生式集合和推理引擎三部分组成。
事实集合：事实可描述对象，形如(type attr_1:val_1 attr_2:val_2…attr_n:val_n)，其中的type,attr_i,val_i均为原子（常量）。
- 例如(student name:“Alice” age:24)：表示一个学生，姓名为Alice，年龄为24。
- 事实也可以描述关系，（basicFact relation：olderThan firstArg：John secondArg：Alice）
产生式集合：有一系列的产生式组成，形如：IFconditionsTHENactionsIF \ \ \ conditions\ \ \ THEN actionsIF conditions THENactions 其中conditions是条件组成的集合（称为LHS）,actions是由动作组成的序列（称为RHS)
LHS的形式如下：- 原子: 如Alice （person name:Alice）
- 变量: 如x （person name:x）
- 表达式: 如Alice （person age:[n+4]）
- 布尔测试: 如Alice （person name:{>10}）
- 约束的与、或、非操作
RHS的动作种类如下三种：
- ADDpattern: 向WM中加入形如pattern的WME
- REMOVE i:从WM中一出当前规则第i个条件匹配的WME
- MODIFY i (attr:spec)：对于当前规则第i个条件匹配的WME，将其对应于attr属性的值改为spec
例如：IF(Studentname:)ThenADD(Personname:)IF (Student \ \ \ name:) \ \ Then\ \ ADD(Person \ \ name:)IF(Student name:) Then ADD(Person name:)表示如果有一个学生名为 ?x?x?x ,则向事实集加入一个事实，表示有一个名为 ?x?x?x 的人
s
- 推理引擎：用于控制系统的执行，主要有三个部分：
- 模式匹配：用规则的条件部分匹配事实集中的事实，整个LHS都被满足的规则被处罚，并加入议程(Agenda)
- 选择规则，按一定的策略从被触发的多条规则中选择一条
- 执行规则，执行被选择出来的规则的RHS，从而操作WM。
下图是一个匹配规则的过程，规则为：(typex,y),(subClassofyz)→(typexz)(type\ x,y),(subClassof \ y \ z) \rightarrow (type \ x \ z)(type x,y),(subClassof y z)→(type x z)
1.4 基于归纳的知识图谱推理
1.4.1 基于规则学习的知识图谱推理
基于规则的推理具有精确且可解释的特性，规则在学术界和工业界的推理场景都有重要应用。其中规则是规则推理的核心，所以规则获取是一个重要的任务，
规则一般包含两个部分，分别为规则头（head）和规则主体（body），一般形式为：rule:head←bodyrule:head \leftarrow bodyrule:head←body
- 规则头：由一个二元的原子构成构成
- 规则主体：由一个或多个一元原子或二元原子组成
- 原子：是指包含了变量的元组，例如IsLocation（X）是一个一元原子表示实体变量X是一个位置实体；hasWife(X,Y)是一个二元原子，表示实体变量X的妻子是实体变量Y。
在规则主体中，不同的原子是通过逻辑合取组合在一起的，且规则主体中的原子可以以肯定或者否定的形式出现，例如isFatherOf(X,Z)←hasWife(X,Y)∧hasChild(Y,Z)∧¬usedDivocied(X)∧¬usedDivovied(Y)isFatherOf(X,Z)\leftarrow hasWife(X,Y)\wedge hasChild(Y,Z) \wedge \neg usedDivocied(X) \wedge \neg usedDivovied(Y)isFatherOf(X,Z)←hasWife(X,Y)∧hasChild(Y,Z)∧¬usedDivocied(X)∧¬usedDivovied(Y)
- 霍恩规则：规则主体中只包含有肯定形式出现的原子而不包含否定形式出现的原子a0←a1∧a2∧a3...∧ana_0 \leftarrow a_1 \wedge a_2 \wedge a_3...\wedge a_na0←a1∧a2∧a3...∧an
- 路径规则：规则主体中的原子均为含有两个变量的二元原子，且规则主体的所有二元原子构成一个从规则头的两个实体之间的路径，且整个规则在知识图谱中构成一个闭环结构r0(e1,en+1←r1(e1,e2)∧r2(e2,e3)∧...∧rn(en,en+1)r_0(e_1,e_{n+1} \leftarrow r_1(e_1,e_2) \wedge r_2(e_2,e_3) \wedge ... \wedge r_n(e_n,e_{n+1})r0(e1,en+1←r1(e1,e2)∧r2(e2,e3)∧...∧rn(en,en+1)
| 规则的评估指标 | ||
|---|---|---|
| 支持度（support） | support(rule) | 满足规则主体和规则头的实例个数 |
| 置信度（confidence） | confidence(rule) = support(rule)#body(rule)\frac{support(rule)}{\#body(rule)}#body(rule)support(rule) | 置信度越高，规则质量也越高 |
| 基于部分完全假设的置信度（PCA confidence） | confidence(rule) = support(rule)#body(rule)∧r0(x,y′)\frac{support(rule)}{\#body(rule) \wedge r_0(x,y^{'})}#body(rule)∧r0(x,y′)support(rule) | 置信度越高，规则质量也越高 |
| 规则头覆盖度(head converage) | HC(rule) = support(rule)#head(rule)\frac{support(rule)}{\#head(rule)}#head(rule)support(rule) | 规则的头覆盖度越高，规则质量也越高 |
- AMIE算法
AMIE算法能挖掘的规则形如：fatherOf(f,c)←motherOf(m,c)∧marriedTo(m,f)father Of(f,c) \leftarrow motherOf(m,c)\wedge marriedTo(m,f)fatherOf(f,c)←motherOf(m,c)∧marriedTo(m,f)
AMIE 定义了三个挖掘算子：
- 增加悬挂原子:即在规则中增加一个原子，这个原子包含一个新的变量和一个已经在规则中出现的元素，可以是出现过的变量，也可以是出现过的实体
- 增加实例化的原子：即在规则中增加一个原子，这个原子包含一个实例化的实体以及一个已经在规则中出现的元素
- 增加闭合原子：即在规则中增加一个原子，这个原子包含的两个元素都是已经出现在规则中的变量或实体。增加闭合原子之后，规则就算构建完成了。
AMIE的两个用以缩小搜索空间的剪枝策略：
- 设置最低规则头覆盖度过滤，头覆盖度很低的规则一般是一些边缘规则，可以直接过滤掉，在实践中，AMIE将头覆盖度值设为0.01
- 在一条规则中，每在规则主体中增加一个原子，都应该使得规则的置信度增加，即confidence(a0←a0∧a2∧...∧an∧an+1)>confidence(a0←a0∧a2∧...∧an)confidence(a_0 \leftarrow a_0 \wedge a_2 \wedge ...\wedge a_n \wedge a_{n+1}) > confidence(a_0 \leftarrow a_0 \wedge a_2 \wedge ...\wedge a_n)confidence(a0←a0∧a2∧...∧an∧an+1)>confidence(a0←a0∧a2∧...∧an) 若不能提升规则整体置信度，则将拓展的规则剪枝掉。
参考
- https://github.com/npubird/KnowledgeGraphCourse/blob/master/pub-14%E7%9F%A5%E8%AF%86%E6%8E%A8%E7%90%86.pdf
- https://blog.csdn.net/pelhans/article/details/80091322
知识图谱从0到-1的笔记——6.知识推理相关推荐
- 领域应用 | 英文抗生素药物医学知识图谱 IASO1.0 版发布 线上试用正式启动
本文转载自公众号:PKU自然语言处理前沿. 近日,由北京大学互联网信息工程研发中心(CIRE)开发的英语医学知识图谱英文抗生素药物医学知识图谱IASO1.0发布,面向公众正式开放试用.IASO是利用自 ...
- 英文抗生素药物医学知识图谱IASO1.0版发布 线上试用正式启动
近日,由北京大学互联网信息工程研发中心(CIRE)开发的中文医学知识图谱英文抗生素药物医学知识图谱IASO1.0发布,面向公众正式开放试用.IASO是利用自然语言处理与文本挖掘技术,基于大规模医学文本 ...
- 鲍捷 | 知识图谱从 0 级到 10 级简化版
本文转载自公众号:文因学堂. 文因学以前写过几个进阶指南,可能都太难,不接地气.这里重新写一个更实事求是.更便于工程落地的版本 0级:掌握正则表达式.SQL.JSON和一门支持if-then-else ...
- 知识图谱学习（一）（笔记整理）
本篇来自于文章<从技术实现到产品落地,"知识图谱"的未来还有多远?> 知识图谱学习(一) 一.组成部分 知识图谱大致可分为:知识建模.知识获取.知识融合. 知识存储.知 ...
- 知识图谱发展报告（2018）笔记/思维导图
<知识图谱发展报告(2018)>由中国中文信息学会语言与知识计算专委会发布,原报告下载地址为:知识图谱发展报告(2018) <知识图谱发展报告>是语言与知识计算专委会邀请知识图 ...
- 《知识图谱概念与技术》读书笔记：概念图谱中的isA关系
读完可以回答以下问题: 1.概念图谱构建的要素是什么?如何构建优质的概念图谱? 2.概念图谱中isA关系的抽取方法有哪些?实际应用较多的方法有哪些?实际应用时抽取过程是怎样的? 3.中文概念图谱的构建 ...
- NLP模型笔记2022-31：neo4j+py2neo构建图GCN卷积神经网络数据集知识图谱（Karate俱乐部）
[只展示图谱,下一篇文章给出GCN模型构建方法,将包含训练与预测两部分] 目录 往前文章链接 1.数据集 2.实现源码 3.图谱生成结果 参考资料 往前文章链接 NLP模型笔记2022-30:neo4 ...
- CMeKG代码解读(以项目为导向从零开始学习知识图谱)（一）
作者从零开始学习和知识图谱有关技术和内容,而本文的核心内容是对CMeKG的python代码进行学习和解读,供大家讨论参考共同进步. CMeKG(Chinese Medical Knowledge Gr ...
- 知识图谱与智能问答基础理解
什么是知识图谱? 知识图谱本质上是语义网络,是一种基于图的数据结构,由节点(Point)和边(Edge)组成.在知识图谱里,每个节点表示现实世界中存在的"实体",每条边为实体与实体 ...
- 人工智能之知识图谱概述（一）
文章目录 碎碎念 第一章 概念 一.知识图谱概念和分类 1.知识图谱的概念 2.知识图谱的分类 二.知识工程发展历程 三.知识图谱的知识图谱 第二章 技术人才篇 1.知识表示与建模 (1)知识表示模型 ...
最新文章
- IP、TCP和DNS与HTTP的密切关系
- Columns Controller
- MySQL时间戳（毫秒/秒）与日期格式的相互转换
- 换种思路去理解设计模式
- Docker上部署FTP服务器（基于stilliard/pure-ftpd）
- html 修改按回退键的url,location.hash保存页面状态的技巧
- 八数码java_八数码问题-A*算法-Java实现
- 给大家拓宽点边界，15分钟带你入门sklearn与机器学习——分类算法篇
- 【Python入门】Turtle海龟库：利用海龟画笔绘制正方形和圆形
- 浙大陈越老师数据结构 02-线性结构4 Pop Sequence详解
- idea项目列表名称与项目名称不一致
- 罗技无线网卡linux,Linux Kernel 5.2将改进对Logitech无线设备的支持
- Mtk Sensor 驱动框架变更简要分析
- 百度云服务器远程密码忘记,2020-11-17 新买了百度云服务器，如何用ssh远程登陆...
- python_faker使用
- 斑马GK888T 203dpi二维条码码打印机不动产登记
- 计算机函数涵义,Excel函数教程: 引用函数的含义和表示方法-excel技巧-电脑技巧收藏家...
- 智能化助力抗疫新模式“场所码”实现精准防控
- nginx请求转发被拒绝_解决nginx反向代理proxy不能转发header报头
- 迪杰斯特拉算法-(.c)