Random-Walk-Inferenz und Lernen in einer groß angelegten Wissensbasis

Wir betrachten das Problem des Lernens und der Inferenz in einer groß angelegten Wissensbasis, die unvollkommenes Wissen mit unvollständiger Abdeckung enthält. Wir zeigen, dass ein weiches Inferenzverfahren auf der Basis einer Kombination von eingeschränkten, gewichteten Random Walks durch den Graphen der Wissensbasis zuverlässige neue Überzeugungen für die Wissensbasis ableiten kann. Genauer gesagt zeigen wir, dass das System lernen kann, verschiedene Zielbeziehungen herzuleiten, indem es die mit Random Walks assoziierten Gewichte anpasst, die verschiedenen Pfaden durch den Graphen folgen, unter Verwendung einer Version des Path Ranking Algorithm (Lao und Cohen, 2010b). Wir wenden diesen Ansatz auf eine Wissensbasis mit ungefähr 500.000 Überzeugungen an, die unvollkommen von NELL, einem ewig lernenden Sprachsystem (Carlson et al., 2010), aus dem Web extrahiert wurden. Dieses neue System verbessert sich signifikant gegenüber NELLs früherem Horn-Klausel-Lern- und Inferenzverfahren: Es erreicht nahezu die doppelte Präzision bei Rang 100, und die neue Lernmethode ist auch auf viele weitere Inferenzaufgaben anwendbar.