一文全览，AAAI 2020上的知识图谱

欢迎大家来到IT世界,在知识的湖畔探索吧!

作者 | Michael Galkin

编译 | 丛末

责编 | 贾伟

前几天，AI科技评论发了一篇图机器学习@ICLR 2020的文章。而在近期举行的AAAI 2020 上 图机器学习的研究也仍然是主流方向。在本届 AAAI上共有1591篇接收论文，其中有140篇是与图研究相关的。在此之外还有一些专门就图研究而开展的workshops和tutorials，包括：

• Workshop on Deep Learning on Graphs (DLGMA)
• Tutorial on GNNs (with slides)
• Tutorial on Differentiable Deep Learning on Graphs (with slides)
• Statistical Relational AI (StarAI)

此外，还有一些图与NLP交叉的workshops/ tutorials：

• Reasoning for Complex QA (RCQA)
• DeepDial
• DSTC8
• Tutorial on Explainable AI

由此可见，图研究在当下已经成为主流热门研究领域。简直是「死生之地，不可不察」！

本文将介绍AAAI 2020 上的知识图谱研究。

关注「AI科技评论」微信公众号，后台回复「知识图谱@AAAI2020」下载论文合集。

一、不同风格的知识图谱增强语言模型

将结构化知识融入到语言模型的趋势发生在EMNLP 2019上，而2020年，可以肯定将是知识图谱增强语言模型（KG-Augmented LMs）的一年：更大规模的训练语料将与预训练模型一起出现。

论文链接：https://arxiv.org/pdf/1908.07690.pdf

Hayashi等人在其工作中为自然语言生成任务（以知识图谱为条件）定义了一个隐关系语言模型（Latent Relation Language Models，LRLMs）。知识图谱对关系、实体和关系的表面形式（surface forms）/同义词等有益，且能够在生成token时被融入到概率分布中。也就是说，在每一步中，模型要么从词汇表中提取一个单词，要么使用已知的关系。

Source: Hayashi et al

最终的任务是生成一个与主题实体一致且正确的文本。LRLMs利用底层图上的知识图谱嵌入来获得实体和关系表示，以及用于嵌入表面形式的Fasttext。最后为了参数化流程，还需要一个序列模型。作者尝试使用LSTM和Transformer-XL来评估LRLM。实验显示，即使是大规模的Transformer也会从知识图谱中受益，性能上升，困惑度下降，生成的文本会比其他方法更具连贯性。It’s great work!

论文链接：https://arxiv.org/pdf/1909.07606.pdf

Weijie Liu等人的工作（北大、腾讯和北师大共同完成），提出了一个称为K-BERT的模型，它假设了每个句子（如果有可能）都会用知识图谱中的一个命名实体或关联对来标注。

Source: Liu et al

丰富的句子树（如上图所示）随后线性化到一个新的positional-like的嵌入中，并被一个可见矩阵（visibility matrix）所遮盖，这个矩阵可以控制在训练期间输入的哪一部分可以被看到。事实上，作者明确提到，知识融合只在微调阶段发生，而预训练与标准BERT完全一样。作者融合了开放领域和医疗领域的知识图谱，实验观察到所有评估任务在一致性上都有1%-2%的提升。

论文链接：https://arxiv.org/pdf/1907.12412.pdf

ERNIE 2.0 框架，Source Sun et al.

百度在相似性融合方面做了不少工作，他们在本届AAAI上介绍了 ERNIE 2.0。这是一个整合外部知识的扩展方法，与ERNIE 1.0相比，它可以捕获更多的词汇、语法和语义信息。

论文链接：https://pasinit.github.io/papers/scarlini_etal_aaai2020.pdf

开源地址：http://sensembert.org/

Scarlini等人将BERT与语义网络BabelNet和NASARI一起应用在他们的SensEmBERT模型中，这个模型能够在多种语言中进行词义歧义消除和词义表示。

作者还指出，SensE没BERT在WSD任务中能够更好地支持不常见词，并优于定制的监督方法。目前这个模型是开源的。

论文链接：https://arxiv.org/pdf/1911.12753.pdf

Bouraoui等人进一步对BERT的关系知识进行了评估，即在给定一对实体（例如法国-巴黎）的情况下，它能否预测正确的关系。作者发现，BERT在事实和常识任务中表现良好，在词汇任务中表现也不错，在形态任务中就更出色了。这实际上也是用知识图谱来增强语言模型的一个重要动机。

二、异质知识图谱中的实体匹配

不同的知识图谱都有他们自己的实体建模的模式，换句话说，不同的属性集合可能只有部分重叠，甚至URLs完全不重叠。例如在Wikidata中Berlin的URL是https://www.wikidata.org/entity/Q64，而DBpedia中Berlin的URL是http://dbpedia.org/resource/Berlin。

如果你有一个由这些异质URL组成的知识图谱，尽管它们两个都是在描述同一个真实的Berlin，但知识图谱中却会将它们视为各自独自的实体；当然你也可以编写/查找自定义映射，以显式的方式将这些URL进行匹配成对，例如开放域知识图谱中经常使用的owl:sameAs谓词。维护大规模知识图谱的映射问题是一个相当繁琐的任务。以前，基于本体的对齐工具主要依赖于这种映射来定义实体之间的相似性。但现在，我们有GNNs来自动学习这样的映射，因此只需要一个小的训练集即可。

论文地址：https://arxiv.org/pdf/1911.08936.pdf

Sun等人提出了AliNet模型，这是一个端到端的基于GNN的框架，能够为实体对齐聚合远程多跳邻域。由于模式异质，这个任务变得更加复杂，因为不同知识图谱中相似实体的邻域不是同质的。

Source: Sun et al

为了弥补这一缺陷，作者建议关注节点的n-hop环境以及具有特定损失函数的TransE-style关系建模。最后，门函数会控制一个节点从1-hop、2-hop、3-hop邻域中获得更多信息。AliNet在DBpedia多语言版、DBpedia -Wikidata、 DBpedia -YAGO等数据集上都进行了评估。众所周知，DBpedia、Wikipedia、YAGO有着完全不同的模式。但他们的结果达到了令人吃惊的90+% Hits@10的预测精度，完全不需要手工哦！

论文链接：https://arxiv.org/pdf/2001.08728v1.pdf

Kun Xu等人研究了多语言知识图谱（本例中为DBpedia）中的对齐问题，在这个问题上基于GNN的方法会陷入“多对一”的情况，当给定一个目标实体时会生成多个候选的源实体。

Source: Xu et al

作者研究了如何使GNN编码输出的预测更加具有确定性（因此也即增加Hits@1的评分），他们提出了两种策略：

1、Easy-to-Hard解码，从本质上讲，即一个two-pass过程，第一步会调用一个对齐模型；第二步，把概率值高于阈值 的K个候选者添加到基线中，然后再次执行对齐模型。

2、使用匈牙利算法来寻找候选对的最佳分配。由于匈牙利算法具有 O(N⁴) 的时间复杂度，作者先利用概率超过阈值 的方法大幅降低了候选子空间，这能够使算法在合理的运行时间里进行。

他们的实验结果表明，底层依赖GNN的模型和任务，可以在Hits@1时能够获得3%-5%的性能提升。

三、知识图谱补全和链接预测

在本届 AAAI 2020 上，有两个发展趋势非常突出：神经–符号计算（neuro-symbolic computation）重回大家的视野并且大热；时间知识图谱（temporal KG）的吸引力也越来越大。

论文链接：https://arxiv.org/pdf/1912.10824.pdf

针对神经–符号范式，Pasquale Minervini 等人在论文中，将神经定理证明（NTPs）扩展为了贪心的神经定理证明（GNTPs）。NTPs 是一个端到端的可微系统，学习规则并在给定知识图谱剩余部分的情况下尝试证明事实。

虽然NTPs 能够实现可解释性，但其复杂性会随着知识图谱的大小急速增长，并且研究者们还无法在较大的数据集（但也谈不上像维基数据那样的整个知识图谱）上对NTPs进行评估。

Source: Minervini et al

为了解决这一问题，论文作者推导出了一个贪心的邻近算法（kNN）策略来选择能够最大化证明分数的事实，从而GNTPs 更具可扩展性得多。同时，除了 (s,p,o) 三元组外，作者还可以用自然语言来表示规则，例如“伦敦坐落于英国”。

在链接预测任务的实验过程中，作者发现，即便只用一个简单的嵌入模型对上述提到的文本编码，也能够得到明显更好的结果。

论文链接：https://arxiv.org/pdf/1907.03143.pdf

知识图谱通常包括仅在一定时间内有效、随后更新为新的值的事实，例如，关于Albert Einstein 配偶的事实，一开始为（Albert Einstein，配偶：Mileva Marić，从1903年到1919年），之后更新为（Albert Einstein，配偶：Elsa Einstein，从1919年到1936年）。

也就是说，根据年份和时间的不同，知识图谱对应的链接有时是正确的，有时是错误的，而这种时间维度在企业知识图谱中，也特别重要。

与仅考虑静态图的传统知识图谱的嵌入方法不同，结合时间知识图谱的嵌入方法要求模型在给定一定的时间窗口下，对链接进行加权。

加拿大皇家银行旗下人工智能研究所 Borealis AI 的研究者 Rishab Goel等人提出了SimplE模型的扩展版本——DE-SimplE，可通过历时实体嵌入来支持知识图谱的时间维度，其中实体维度 D 外的 d 维度可以捕获时间特征，而(1-)d 维度则能够捕获静态的知识图谱特征。

当然随着时间的推移，我们会看到动态知识图谱的模型也会日益发生变化。

论文链接：https://arxiv.org/pdf/2001.00461.pdf

来自西门子中国研究院和慕尼黑大学的研究者 Marcel Hildebrandt等人从新的视角研究事实分类，让人眼前一亮。在论文中，他们提出采用R2D2算法中的辩论动态（Debate Dynamics ）方法，其中两个Agent 通过证明或反驳给定的三元组进行“辩论”，同时最终由一个 Judge （作为一个二元分类器）决定三元组是真还是假。

Source: Hildebrandt et al

该系统经过强化学习训练，除了三元组分类外，还能够通过调整来完成链接预测任务。

作者也开展了一项调查，以找到人类评估者评估检察官和辩护人提出的论据的方法。而作为规则挖掘系统中的一个普遍问题，R2D2 的扩展性也将会是一个有趣的研究主题。

论文链接：https://arxiv.org/pdf/1910.02915.pdf

常识知识图谱如ConceptNet、ATOMIC现在也已经在许多自然语言处理任务中得到应用，但是至今还未对其链路预测和补全特点进行深入研究。

艾伦人工智能研究所的研究者Chaitanya Malaviya 等人在论文《Commonsense Knowledge Base Completion with Structural and Semantic Context》中展示了，例如 DistMult 或 ConvE 等传统的知识图谱嵌入算法，由于知识图谱的稀疏性（ 例如数据集FB15K-237的密度大概是1.2e-3，平均入度为 17；而 ATOMIC的密度为 9e-6 ，平均入度为2.25），得到的结果并不好。

作者认为，研究者还需要考虑到结构和语义的上下文，从而在其提出的模型中，使用R-GCN来聚合邻域信息以及使用BERT 来编码短语和文本。

除此之外，作者还对R-GCN的诱导边界（概率分数超过了一定的阈值）和子图采样进行了综合实验。

这篇论文读起来非常有冲击力，架构清晰、概念解释到位、具有完整的实验和分析，这项研究工作可以说是非常好了！

此外，一些短论文提出的算法，或许也会对大家有所帮助，例如：

论文链接：https://arxiv.org/pdf/1911.00219.pdf

这篇论文提出了ConvE的优化版本——InteractE，其结合应用了各种重塑策略和循环卷积，在基准测试中的表现始终优于 ConvE。

论文链接：https://arxiv.org/pdf/1911.09419.pdf

Zhang等人在其提出的模型 HAKE 中对 RotatE 算法进行了扩展，以更好地对知识图谱的层次关系建模，从而能够在更广泛项的嵌入内，找到更窄的项嵌入。

四、基于知识图谱的对话 AI 和问答

今年AAAI 2020 会议还举办了主题为“Dialogue State Tracking”的研讨会 （DSTC8），该议程汇聚了来自Google Assistant、 Amazon Alexa和 DeepPavlov 研究团队的对话 AI 领域的专家。

在 DSTC研讨会中，社区的研究者致力于获得更大、更丰富的数据集，同时也致力于解决更复杂得多的任务。

论文链接：https://arxiv.org/pdf/1909.05855.pdf

谷歌软件工程师Abhinav Rastogi等在论文中，提出了Schema-Guided Dialogue （SGD）数据集。迄今为止，SGD数据集是最大的多领域数据集，拥有 16个不同领域超过 1.6万个对话。SGD数据集中的数据没有统一的格式，16个领域的数据从 Freebase获取，各自都有自己的格式表述。

事实上，这个数据集如此之大，以至于没有人能够穷尽其中可能存在的槽值，或者保证其测试集能够覆盖所有可能的服务/槽/值组合数据。

这种情况下，大家可能希望能够有一些零样本状态可以追踪到这些组件。

下图展示了 25 个挑战赛团队实现的结果，他们将基线的最低分数从20–60%提高到了86–99%，可喜可贺：

Source：https://arxiv.org/pdf/2002.01359.pdf

下面介绍一些令人激动的知识图谱应用。

论文链接：https://arxiv.org/pdf/1912.07491.pdf

西南科技大学、中国科学院、腾讯 AI Lab等机构联合发表的论文中，提出了一种被称作TransDG的模型，可用于闲聊对话机器人的回应生成，其中主要的方法是，从在SimpleQuestions、Freebase和 ConceptNet数据集上经过训练的 KGQA 系统迁移事实知识。

论文链接：https://arxiv.org/pdf/1912.01496.pdf

科罗拉多大学、国立中央研究院、宾夕法尼亚州立大学等机构联合发表的论文定义了一个“看图讲故事”的框架——KG-Story，该框架能够基于连续的图片，生成一个连贯的文本描述。此外，该框架采用知识图谱进行自我丰富，有助于图像场景的理解和文本生成。

在知识图谱问答领域，南京大学孙亚伟等人在《 SPARQA: Skeleton-based Semantic Parsing for Complex Questions over Knowledge Bases》论文中，针对知识图谱的复杂问答任务，提出了一种基于 Skeleton的语义短语表示和解析方法—— SPARQA。

作者通过 Skeleton 理解一系列最小化的语义单元（如VP、NP、PP等等）和一些依附关系，其中依附关系创建了查询树的原型（随后会被实例化并发送到一个知识图谱查询引擎中）。此外，他们还在 Freebase知识库中的GraphQuestions 和 ComplexWebQuestions 上对该方法进行了评估。

论文链接：https://arxiv.org/pdf/1909.05311.pdf

在常识问答领域，中国科学院Shangwen Lv等人在论文中，使用常识知识库ConceptNet和维基的 IR 库挖掘了一些证据知识，并通过 GCN将这些知识传递。另一方面，基于 XLNet 的推理模块解码问题、选择以及找到的证据，已获得联合表示。该方法获得的 F1 分数为 75.3%，目前排名第 2 ！

Source：Lv et al.

五、结语

本文主要介绍了下知识图谱在自然语言相关任务中的应用。当然，知识图谱在其他领域也有应用，例如在计算机视觉中，知识图谱能够帮助构架场景图；在生物信息学中，知识图谱有助于该领域的分子研究。

日益壮大的图机器学习社区，现在已经在日益对该领域展开深入研究，大家感兴趣地话可以搜集相关的资料进行了解，例如 GitHub 上就有一个图机器学习的文献库（https://github.com/naganandy/graph-based-deep-learning-literature），汇总了来自顶尖会议和来自Telegram的图机器学习频道的相关论文。

针对图机器学习，Sergei Ivanov也写过一篇关于图机器学习2020 年发展趋势的文章，非常不错。

AAAI 2020 之后，ICLR 2020 也将在今年 4 月份如期而至，相信会出现更多令人耳目一新的关于知识图谱的论文，大家拭目以待！