基于溯因推理的知识图谱补全结果解释机制研究

Knowledge graph is one of the research hotspots in the field of artificial intelligence (AI), which is designed to describe the concepts, entities, events and their relationships in the objective world. Knowledge graph completion is the key technology to evolvement of knowledge graphs, which learns a model and predicts the new realistic triples based on the existing triples in a knowledge graph. Existing methods for knowledge graph completion lack an intelligible mechanism for explaining the prediction results, making the subsequent manual verification of realistic triples very costly. Therefore, this project plans to exploit the intelligible information on text and logics to explain prediction results of a method for knowledge graph completion, and to apply logic-based abductive reasoning to realize such an explanation mechanism. The mechanism comes with the following challenging problems: (1) How to promptly compute abductive explanations that have corresponding text information? (2) How to generate and apply uncertain logic rules? (3) How to enhance existing methods for knowledge graph completion to increase the ratio of interpretable triples in the top-n predicted unknown triples? The project will study these problems carefully to provide an efficient and reliable mechanism for knowledge graph completion. The project involves knowledge representation learning, abductive reasoning and other research fields. It can greatly promote the theoretical development of these fields and can also provide some valuable references for the coming of explainable AI era.

知识图谱旨在描述客观世界的概念、实体、事件及其之间的关系，是目前人工智能领域的研究热点之一。知识图谱补全基于知识图谱的现有三元组数据，建模预测真实存在的新三元组，是实现知识图谱演化的关键技术。现有的知识图谱补全方法缺乏人易理解的针对预测结果的解释机制，导致后续三元组真实性验证的人工成本很高。为此，项目拟采用人易理解的文本和逻辑信息解释知识图谱补全方法的预测结果，利用基于逻辑的溯因推理实现对应的解释机制。该机制的实现需要解决以下挑战性问题：（1）如何快速计算具有对应文本信息的溯因解释？（2）如何产生和应用不确定逻辑规则？（3）如何改进现有知识图谱补全方法，提高可解释三元组在前n个预测的未知三元组中的比例？项目将对上述问题进行深入研究，为知识图谱补全提供一种高效可靠的机制。项目涉猎知识表示学习和溯因推理等研究领域，能大力促进这些领域的理论发展，并为可解释人工智能时代的到来提供一些有价值的参考。

知识图谱是人工智能的核心部分，它给人工智能应用赋予学识，使其具备一定的思考和推理能力。高质量的知识图谱是人工智能应用成功的保证，因此知识图谱构建过程中的最后一步——知识验证充当了人工智能应用走向成功的最关键一环。知识验证目的在于确保知识图谱中三元组的真实性，因此需要提供用户可以理解的解释作为证实三元组的依据。本项目提出了一种结合文本和逻辑的三元组解释机制，研究了该机制的语法和语义，分别研究了确定逻辑背景和不确定逻辑背景下的逻辑证据计算方法，研究了基于神经网络编码表示与学习的不确定逻辑规则归纳方法，并以提高可解释性和准确性为目标，改进现有的知识图谱补全方法。到目前为止项目课题组已经在中国计算机学会（CCF）推荐的A类国际学术会议AAAI、IJCAI、ACL和ASE上发表了9篇项目成果相关论文，尤其在文本蕴含识别和逻辑理论的神经网络编码表示与学习两个核心相关领域上，项目成果较为突出。在文本蕴含识别领域，证明了添加了语种识别的对抗学习框架或针对不同语种特点设计的提示模板能提高跨语种文本蕴含识别的准确性，利用特征词、特征类别和情感倾向的依赖关系能提高文本蕴含识别在面向特征的情感分析中应用的准确性，结合人物头像图片也能提高文本蕴含识别在人物社交关系识别中应用的准确性。在逻辑理论的神经网络编码表示与学习领域，以命题线性时态逻辑和单现交织正则表达式作为范例，论证了多项式（P）时间复杂度的推理过程都可以精确编码成特定参数赋值条件下的神经网络，而非确定性多项式（NP）时间复杂度的推理过程也可以编码成能表达部分推理特征的神经网络进行高效的近似推理。