论文笔记整理：朱渝珊，浙江大学直博生。研究方向：知识图谱，快速表示学习等。
论文链接：https://arxiv.org/pdf/1910.02481.pdf
本文是ICLR 2020的一篇关于知识图谱中关于复杂（树状、组合）规则可微学习的文章。提出了神经逻辑归纳学习（NLIL），一种可微分的ILP方法，扩展了针对一般ILP问题的多跳推理框架。NLIL将搜索空间分解为一个层次结构中的3个子空间，每个子空间都可以通过注意力高效地进行搜索。作者证明通过这种方式模型可搜索的规则比使用NeuralLP等方式搜索的规则长10倍，且拥有更快的速度。
1. 相关背景
1.1 Inductive Logic Programming (ILP)
一阶逻辑系统有3个组件：实体，谓词和公式。以下图为例：
实体是对象x∈X。图像中某区域是实体x，所有可能区域集合是X。
谓词是将实体映射到0或1的函数，Person:x →{0,1}，x∈X。谓词可有多个输入，如“Inside”是接受2输入的谓词，参数的数量称为Arity。原子是应用于逻辑变量的谓词符号，如person(X)和Inside(X,X')。
一阶逻辑（FOL）公式是使用逻辑运算{∧，∨，¬}的原子的组合。给定一组谓词P ={P1...PK},谓词Pk的解释定义为一阶逻辑蕴涵，
代表着这样的知识：“如果物体在车内，身上有衣服，那就是人”。
1.2 多跳推理：
ILP问题与KG多跳推理任务相关。此处，事实存储在谓词Pk的二进制矩阵Mk中，Mk(i,j)=1表明三元组在KG中。
给定查询q=
M(t)是在第 t 跳中用的谓词的邻接矩阵。v(t)是路径特征向量，v(t)中第j个元素计算从x到xj的唯一路径的数量。经过T步推理后，查询的分数计算为
对于每个q，目标是（i）找到一个合适的T，（ii）为每个t∈[1,2，...，T]，找到一个合适的M（t），使得score最大。这两个离散的选择可以放宽,即
此为软路径选择函数，参数为
（i）
（ii）
这两个注意向量是通过下述模型生成的
参数w可学习。以前的一些方法，T(x; w)是一个随机游动采样器，它会生成one-hot向量来模拟从x开始的图形上的随机游动。在NeuralLP中，T(x; w)是一个RNN控制器，目标定义为
在多跳推理中学习关系路径可以解释为使用链状FOL（一阶逻辑）规则解决ILP问题
与基于模板的ILP方法（如∂ILP）比，此类方法在规则探索和评估中非常有效。但是，存在两个问题
（P1）规则的表达性不足，仅能表达链状规则，例如等式(2)不是链状的就不能表示。
（P2）注意生成器T(x; w)取决于特定查询q的实体x，这意味着针对目标P*生成的解释可能因查询而异，很难学习KG中全局一致的FOL规则。
2. 算法模型
推理过程中所有中间实体都用首尾实体表示
如上将公式（1）转换为（7）所示，实现方法就是通过转换的函数（操作符）：将每个谓词k都视为一个操作符ϕk，如下所示，U是一元谓词，B是二元谓词
则规则（2）可以表述成规则（8），这样首尾实体在具体实现时用随机初始化的向量表示，摆脱了数据依赖
扩展到树状规则
提出Primitive Statements（基本语句）的概念，公式（8）可视为两个基本语句组成，
每个基本语句都是从输入空间映射到一个置信度得分标量
公式（3）可表示为
如下图所示，树状规则
规则之间的组合
把基本语句用{∧，∨，¬}进行逻辑组合，如公式（8）就是两个基本语句的逻辑“and”操作。逻辑 “not” 及逻辑 “and” 运算如下表示
第l级的公式集以及最后的得分就可如下方式推得
整个流程可以如下图所示
其中
具体实现上：Hierarchical Transformer Networks for Rule Generation，引入“虚拟”自变量X和X’
其中h*是P*的嵌入，因此注意力仅相对于P*有所不同。
3. 实验
Baseline
•NeuralLP (Yang , 2017)
•∂ILP (Evans , 2018)
•TransE (Bordes , 2013)
•RotatE (Sun , 2019)
Dataset
•ES(Even-and-Successor) (Evans , 2018) ：两个一元谓词Even，Zero和一个二元谓词Successor。目标是学习一组整数上的FOL规则。本文对从0开始的10、50和1K个连续整数评估。
•FB15K-237
•WN18
•VG(Visual Genome)，视觉领域数据，以物体检测任务为基础，将图片上的物体之间的关系抽象成小的知识图谱
FB15k-237和WN18数据上链接预测
ES数据上与不同算法对比，(a)时间 (mins)，(b)规则长度
VG数据集，不同training-set大小
虽然基于丰富标签数据的监督学习方法达到了比较好的效果，但是NLIL仅仅利用稀疏的（0/1）标签就能达到匹敌的效果，甚至显著优于一种监督模型baseline的效果，进一步体现出了模型的有效性。在少样本学习（训练样本仅0.01%）也体现出更好性能。
4．总结
本文提出了神经逻辑归纳学习，这是一个可区分的ILP框架，可以从数据中学习解释性规则。
证明了NLIL可以扩展到非常大的数据集，同时能够搜索复杂的表达规则。更重要的是，本文还证明了可扩展的ILP方法在解释监督模型的决策方面是有效的，这为检查机器学习系统的决策过程提供了另一种视角。
OpenKG
开放知识图谱（简称 OpenKG）旨在促进中文知识图谱数据的开放与互联，促进知识图谱和语义技术的普及和广泛应用。
点击阅读原文，进入 OpenKG 博客。