【标题】Heterogeneous relational reasoning in knowledge graphs with reinforcement learning

【作者团队】Mandana Saebi, Steven Kreig, Chuxu Zhang, Meng Jiang, Tomasz Kajdanowicz, Nitesh V. Chawla

【发表日期】2022.7.13

【论文链接】https://www.sciencedirect.com/science/article/pii/S1566253522000604#!

【推荐理由】由于对话系统中的问答、事实预测和推荐系统等下游应用的流行，基于路径的知识图谱关系推理变得越来越流行。近年来，基于强化学习 (RL) 的知识图谱解决方案已被证明比其他深度学习模型更具可解释性。然而，由于 RL 智能体的状态表示不完整和动作空间大，当前的解决方案仍然存在性能问题。本文通过开发 HRRL（具有强化学习的异构关系推理）来解决这些问题，这是一种类型增强的 RL 智能体，它利用本地的异构邻域信息对知识图谱进行有效的基于路径的推理。HRRL 使用用于编码邻域信息的图神经网络 (GNN) 改进状态表示，并利用实体类型信息来修剪动作空间。对真实世界数据集的大量实验表明，HRRL 优于最先进的 RL 方法，并在训练过程中发现了更多新路径，证明了本文方法的探索能力。

内容中包含的图片若涉及版权问题，请及时与我们联系删除