「人工智能」一文全览，ICLR 2020 上的知识图谱研究 |设计|文章|ElasticSearch|

本文插图
雷锋网 AI 科技评论：ICLR 2020 正在进行，但总结笔记却相继出炉。我们曾对 ICLR 2020 上的图机器学习趋势进行介绍，本文考虑的主题为知识图谱。
作者做波恩大学2018级博士生 Michael Galkin ，研究方向为知识图和对话人工智能。在AAAI 2020 举办之际，他也曾对发表在AAAI 2020上知识图谱相关的文章做了全方位的分析，具体可见「知识图谱@AAAI2020」。

本文插图
本文从五个角度，分别介绍了 ICLR 2020上知识图谱相关的 14 篇论文。五个角度分别为：
1）在复杂QA中利用知识图谱进行神经推理（Neural Reasoning for Complex QA with KGs）
2）知识图谱增强的语言模型（KG-augmented Language Models）
3）知识图谱嵌入：循序推理和归纳推理（KG Embeddings: Temporal and Inductive Inference）
4）用GNN做实体匹配（Entity Matching with GNNs）
5）角色扮演游戏中的知识图谱（Bonus: KGs in Text RPGs!）
话不多说，我们来看具体内容。
注：文中涉及论文，可关注「AI科技评论」微信公众号，并后台回复「知识图谱@ICLR2020」打包下载。
一、在复杂QA中利用知识图谱进行神经推理今年ICLR2020中，在复杂QA和推理任务中看到越来越多的研究和数据集， very good 。去年我们只看到一系列关于multi-hop阅读理解数据集的工作，而今年则有大量论文致力于研究语义合成性（compositionality）和逻辑复杂性（logical complexity）——在这些方面，知识图谱能够帮上大忙。
1、Measuring Compositional Generalization: A Comprehensive Method on Realistic Data 文章链接：https://openreview.net/pdf?id=SygcCnNKwr
Keysers等人研究了如何测量QA模型的成分泛化，即训练和测试 split 对同一组实体（广泛地来讲，逻辑原子）进行操作，但是这些原子的成分不同。作者设计了一个新的大型KGQA数据集 CFQ（组合式 Freebase 问题），其中包含约240k 个问题和35K SPARQL查询模式。

本文插图
Intuition behind the construction process of CFQ. Source: Google blog
这里比较有意思的观点包括：1）用EL Description Logic 来注释问题（在2005年前后， DL的意思是Description Logic ，而不是Deep Learning ）；2）由于数据集指向语义解析，因此所有问题都链接到了Freebase ID（URI），因此您无需插入自己喜欢的实体链接系统（例如ElasticSearch）。于是模型就可以更专注于推断关系及其组成；3）问题可以具有多个级别的复杂性（主要对应于基本图模式的大小和SPARQL查询的过滤器）。
作者将LSTM和Transformers基线应用到该任务，发现它们都没有遵循通用标准（并相应地建立训练/验证/测试拆分）：准确性低于20％！对于KGQA爱好者来说，这是一个巨大的挑战，因此我们需要新的想法。
2、Scalable Neural Methods for Reasoning With a Symbolic Knowledge Base文章链接：https://openreview.net/pdf?id=BJlguT4YPr
Cohen等人延续了神经查询语言（Neural Query Language ， NQL）和可微分知识库议程的研究，并提出了一种在大规模知识库中进行神经推理的方法。
作者引入了Reified KB 。其中事实以稀疏矩阵（例如COO格式）表示，方式则是对事实进行编码需要六个整数和三个浮点数（比典型的200浮点KG嵌入要少得多）。然后，作者在适用于多跳推理的邻域上定义矩阵运算。