大規模知識ベースにおけるランダムウォーク推論と学習

不完全な知識と未完成のカバレッジを含む大規模な知識ベースにおいて、学習と推論を行う問題を考えます。知識ベースグラフを通る制約付き、重み付けされたランダムウォークの組み合わせに基づくソフト推論手続きを使用することで、知識ベースに対して信頼性のある新しい信念を推測できることを示します。具体的には、グラフを通る異なるパスに従うランダムウォークに関連する重みを調整することによって、システムが異なるターゲット関係を推論する方法を学習できることを示します（Path Ranking Algorithmのバージョンを使用、Lao and Cohen、2010b）。このアプローチを、NELL（Carlson et al., 2010）によってウェブから不完全に抽出された約500,000の信念を含む知識ベースに適用します。この新しいシステムは、NELLの以前のホーン節学習および推論方法に比べて大幅に改善されており、ランク100での精度はほぼ倍増し、新しい学習方法はさらに多くの推論タスクにも適用可能です。