腾讯 | 知识图谱补全技术

分享嘉宾：陈立玮 博士 腾讯 高级研究员
编辑整理：王吉东
出品平台：DataFunTalk

导读： 当前知识图谱已经被广泛应用在自然语言处理的各项任务中，但知识图谱中实体间关系的缺失也给其实际的应用带来了很多问题。因此，目前学术界围绕知识图谱的补全进行了大量的研究工作。本文主要对知识图谱补全相关的研究进展进行了归纳与分享。

01背景介绍

首先和大家分享下知识图谱的背景。

知识图谱，在互联网行业已经被广泛应用于多种不同的领域，如推荐系统、搜索引擎、智能对话系统等。在 AI 时代，知识图谱是一项非常重要的技术。

1. 知识图谱主要研究方向

知识图谱的主要研究方向包括知识获取、知识表示、时序知识图谱、知识应用等方向。本次分享，主要聚焦于知识获取中的一个子任务——知识图谱补全。

2. 为什么要做知识图谱的补全

知识图谱普遍存在不完备的问题。以上图为例，黑色的箭头表示已经存在的关系，红色的虚线则是缺失的关系。我们需要做的，是基于图谱里已有的关系，去推理出缺失的关系。

3. 知识图谱补全的难点与挑战

• 如何更好的建模知识的结构和推理规则？如何查找路径？强化学习可用吗？如何建模逻辑规则？
• 如何解决长尾数据问题？few-shot learning？

02问题定义

知识图谱补全问题定义

给定知识图谱 G = {E, R, F}，其中 E 表示所有实体的集合，R 表示所有关系的集合，F 为所有三元组的集合。

知识图谱补全的任务是预测出当前知识图谱中缺失的三元组 F'={(h, r, t) | (h, r, t)∉F, r∈R}

根据补全的实体是否在 E 中，知识图谱补全可分为两个子任务：

• 封闭域的知识图谱补全，限制要补全的三元组的实体都在 E 中
• 开放域的知识图谱补全，不限制实体一定在 E 中

后面分享中除非特别提到，否则主要指封闭域的知识图谱补全。

03知识图谱补全技术发展

知识图谱补全技术，可归纳为以下几种：基于知识表示的方法、基于路径查找的方法、基于推理规则的方法、基于强化学习的方法、基于元学习的方法。

1. 基于知识表示的方法

基于知识表示的方法，是最直接的一种方式。

• 知识表示学习：对知识图谱中的实体和关系学习其低维度的嵌入式表示。
• 常见的知识表示学习方法：上图涵盖了常见的知识表示学习方法，主要是以 TransE 法为核心，针对空间映射等场景做的改进。
• 基于实体和关系的表示对缺失三元组进行预测；
• 许多前面提到的知识表示方法都可以用在知识图谱补全中。

以上图中的三元组为例，已知头实体以及头实体间的关系，预测其尾实体。可将头实体的 embedding 组合到一起，在尾实体的 candidate 列表中计算 score（可自定义 score 计算方法，例如相似度）；从 candidate 中选择一个分数最高的尾实体作为补全。

基于这种方法可以做进一步的改进——引入实体描述信息，构建神经网络：

• 利用实体描述信息，可以解决开放域实体补全的问题；
• 使用类似于 attention 的机制进行描述内容的 masking，使得与关系关联紧密的描述内容对结果影响更大；
• 使用 CNN 来对 masking 后的实体描述进行特征抽取（target fusion）。

通过以上步骤，将文本提取成两种特征：一种是含有三元组（即头实体、尾实体和关系名）上下文信息的特征，一种是偏向利用实体描述信息抽取新实体相关知识的特征。将两类特征输入到全连接网络中，做最终补全结果的预测。

2. 基于路径查找的方法

基于知识表示方法，一般不能处理下图这种多步知识推理。（图中从微软到美国，需要经过 4 步推理才能获得）

可使用基于路径查找的方法来处理这类多步推理问题。

传统的路径查找方法主要是 PRA 方法（Path Ranking Algorithm）；但是这种方法对于包含较大规模的知识图谱来说，会由于路径数量爆炸式增长，导致特征空间急剧膨胀。

解决的方式，可以尝试用 embedding 的方式表示关系，对关系进行泛化，并基于此对知识的补全进行建模，以缓解路径数量过多导致的特征空间膨胀问题。

• 给定实体对集合，利用 PRA 查找一定数量的路径；
• 使用 RNN 沿着路径进行向量化建模；
• 通过比较路径向量与待预测关系向量间的关联度来进行关系补全。

此方法仍然存在一些问题：

• 建模时未考虑路径上的实体信息；
• 每个关系类型需要使用一个单独的 RNN 模型；
• 建模时仅使用了实体对间的一条路径。

基于此，后续的工作对以上方法做了如下改进：

• 路径计算过程中加入实体类型信息（减少长尾实体影响）；
• RNN 模型参数在不同关系之间共享；
• 提出新的分数计算方式，可以综合运用多条路径信息：

假设{s_1,s_2, …, s_n}为两个实体{e_s,e_t}间所有路径与关系 r 之间的相似度分数集合，那么该实体对拥有关系 r 的概率可有以下几种计算方式：

这里特别提到 LogSumExp 法，将所有相似度分数计算指数和后取对数；这种计算方法，在误差反向传播的过程中，分数高的路径获得的梯度分配更多；类似于根据分数计算贡献的方式。

3. 基于强化学习的方法

前面提到的两种方法，仍然存在若干的问题：

• 需要基于 random walk 来查找路径；
• 而 random walk 算法在离散空间中运行，难以评价知识图谱中相似的实体和关系；
• 超级结点可能影响 random walk 算法运行速度。

基于以上问题，有很多研究者开始尝试强化学习方法：

• 在连续空间中进行路径搜索；
• 通过引入多种奖励函数，使得路径查找更加灵活、可控。

这里介绍 DeepPath 这种强化学习方法：

① 任务：查找 Band of Brothers 和 English 之间的关系。

② 路径起点：Band of Brothers

• 本文地址：腾讯 | 知识图谱补全技术
• 本文版权归作者和AIQ共有，欢迎转载，但未经作者同意必须保留此段声明，且在文章页面明显位置给出

③ 状态：实体中的 embedding

④ 动作：图谱中的关系；

⑤ 奖励：

• Binary，是否到达终点
• 路径长度
• 路径多样性

⑥ 策略网络：使用全连接网络。

DeepPath 方法仍然存在一些缺陷：知识图谱本身的不完善很可能对路径查找造成影响。

基于此，研究者提出了更加开放的知识图谱补全方法，在路径查找过程中，通过抽取关系，将缺失的路径补全。

上图中，任务是查找 Barack_Obama 为哪个组织工作。在原图谱中，John_McCain 和 Rudy_Giuliani 之间的路径是断的；通过弱监督的方式，从原文本中训练出一个关系抽取器，通过这个关系抽取器将缺失的关键路径补充完整。至于是否有必要做路径补充，以及哪一条路径需要补充，则是强化学习中策略选择的工作。

下面介绍一下该模型中的一些细节：

模型包括两个部分：

① 关系抽取（Extractor）：使用 PCNN-ATT，将文本输入到模型中，可预测出一部分关系；将原图谱中存在的关系和根据预测出来的关系结合，丰富了实体间的关系网络，扩大了当前节点的关系选择范围。

② 关系推理（Reasoner）:基于 RNN 神经网络的推理，将节点当前状态和当前节点可能存在的关系注入到模型中，从而判断推理路径。

4. 基于推理规则的方法

知识推理是针对知识的一项重要应用，很自然的会考虑将其应用在知识补全中；与路径查找不同，知识推理更侧重于对逻辑规则本身建模。

传统的推理规则挖掘方法搜索空间庞大，会导致搜索速度慢。针对这一缺陷，有两类不同的优化方案：

• 推理规则与 embedding 结合
• 神经网络模型与传统的推理模型结合

首先介绍推理规则与 embedding 结合的方法：

训练知识图谱的 embedding 的时候，可能会存在很多长尾的实体或关系，会使模型的训练变得不可靠；而单纯使用规则进行推理，挖掘规则本身是个搜索空间非常大。因此结合以上两项工作，互相弥补各自优缺点。对于长尾的实体或关系，用规则进行扩充；对于搜索空间很大的规则来说，借助 embedding 转换成向量计算，大大降低计算量

这种方法的 input 是个 Knowledge Graph，通过该 Graph 训练出一个 embedding；选取一些已有规则（如自反规则、传递规则、逆转规则等 7 种规则，如下表所示），对知识图谱中的已有规则进行扩展，进而生成命题：

• 针对每个关系，利用它周围的实体与关系随机获取具体的命题（随机抽取 k 个含有该关系的三元组，经证明 k 有一个可控上界）
• 在整个图谱中查找能够支持命题的实例，如果能够查到则保留。

命题形成后，可通过关系表达满足度分数等指标来判断命题是否成立；如命题成立，可将其落地到原知识图谱中，形成可扩充的三元组，并根据命题分数和三元组的分数去计算每个三元组的置信度；将高置信度的三元组扩充回到知识图谱中，训练新的 embedding，不断迭代下去。

接下来介绍另一种优化方案——神经网络模型与传统的推理模型结合。这里的传统推理模型主要指马尔可夫逻辑网。使用马尔科夫逻辑网定义三元组的联合分布：

①假设：逻辑规则推理得到的三元组，与基于 KG embedding 获得的三元组，分布一致。

②基于以上假设，使用 EM 算法进行训练：

• E-step: 限定逻辑规则的权重，基于逻辑规则生成三元组，学习 KGE 模型权重。
• M-step: 限定 KGE 模型，更新逻辑规则的权重

5. 基于元学习的方法

前面介绍的几种方法，往往都需要大量的训练数据；而在知识图谱中，大量关系出现频次很低（即长尾数据）；而越是低频的关系，越可能需要补全。为了解决这样的矛盾，有人提出了使用元学习方法。

传统的机器学习，通常是基于训练数据去学习一种“从数据到标签的映射”；而元学习，学习的是“一种更高阶的映射”，即从数据到函数的映射。（见上图）

相较于传统机器学习，元学习可以用较少的数据去完成学习任务。

问题定义：基于极少量的已知三元组，对缺失的三元组进行预测

以上表为例，Training 过程由几个 Task 组成，每个 Task 面向不同的关系；对于每个 Task，会有一个自己的训练集和测试集（其中训练集的数量会比较少）；Testing 过程中，会有很少标签数量的训练集，让模型很好地在该标签下工作。

元学习有两种方法：

• 基于度量的方法
• 基于优化的方法

基于度量的方法：One-Shot Relational Learning for Knowledge Graphs。该方法直接对训练数据和测试数据之间的关联进行建模。

思路：利用知识图谱背景知识对实体对编码，进而让模型能够学习到含有相同关系的实体对间的相似性，并基于此判断测试数据的实体对之间是否存在某关系。

基于优化的方法：Meta Relational Learning for Few-Shot Link Prediction in Knowledge Graphs。该方法用来训练一个模型，该模型在很小的数据上可以快速收敛优化达到较好的效果。

与基于度量的算法相比，主要的区别：

• 直接寻找预测一个实体对间是否含有某个关系所需要的核心信息
• 不需要已有的知识图谱作为背景知识，具有更强的鲁棒性

模型训练的关键点：

• 使用 support set 生成 gradient meta 协助快速学习 relation meta
• 使用 query set 结果的 Loss 更新模型参数

04总结与展望

1. 小结

• 基于知识表示的方法模型简单清晰，但是可解释性较差，并且难以对复杂的知识推理建模
• 在知识图谱中进行路径查找可以进行更加复杂的知识推理，重点在于如何缓解大规模的图谱中的路径数量爆炸以及无用信息过多的问题
• 基于推理的方法将逻辑规则与图谱表示相结合，缓解了稀疏数据的表示学习问题，并且增强了逻辑规则的泛化能力
• 元学习算法致力于解决知识图谱补全中长尾关系的问题，让模型在极少量训练数据的情况下有快速适配的能力

2. 未来的方向

• 概率化逻辑推理与知识表示结合，解决推理过程中的不确定性问题
• 持续强化知识推理的可解释性
• 知识推理的可扩展性