知迟图谱推理新进展
文章目录
-
- 时序预测推理
- 基于强化学习的知迟图谱推理
- 基于元学习的少样本知迟图谱推理
- 图神经网络与知迟图谱推理
- 开源工具实践：基于Jena和Drools的知迟推理实践
-
- 开源工具的技术架构图
- 基于Jena的知迟推理实践
- 基于Drools的知迟推理实践
时序预测推理
知识推理中的时序预测新应用以Chen等人提出的模型为例。传统的数据流学习主要是从连续和快速更新的数据记录中提取知识结构。在语义网中，数据根据领域知识被建模成本体，而数据流则被表示为本体流。本文通过探索本体流，重新审视有监督的流学习与上下文的语义推理，开发一种对本体语义进行嵌入的模型，解决了时序预测推理中的概念漂移问题（即数据分布的意外变化，导致大多数模型随着时间的推移不太准确)数据流学习中的概念漂移问题可以看成数据的语义随着时间的漂移。
本体流可以看成随时间变化的本体，也就是语义增强的数据流。在描述逻辑中，本体流包含TBox T(术语成分)和ABox A(断言公理)ABox entailment G(蕴涵)是基于ABox中的断言公理推理出的隐含的断言。Snapshot(快照)反映的是本体流中某一时刻的本体，用于对连续的本体流进行离散化建模，而多个随时间连续的快照构成了本体流中的滑动窗口。快照从一个时刻转变到下一个时刻可以看成断言公理的更新，这被称为一阶预测突变：两个快照对于某些蕴涵具有足够大的概率差异，这被称突发预测变化。这两种预测变化构成了语义概念漂移。蕴涵的滑动窗口之间基于规则的一致性度量和预测可以表示和推断这些本体流中的语义概念漂移。
通过将传统机器学习中的特征嵌入扩展到本体语义嵌入，将语义推理和机器学习结合起来，即捕获本体流中的一致性和知识蕴涵的向量，然后在有监督的流学