چکيده
مسأله يادگيري استنتاج در فضاي گراف‌هاي دانش عظيم، امروزه به يكي از مهم‌ترين مسائل در حوزه گراف دانش بدل شده است. اغلب پايگاه‌هاي دانش، چه آن‌هايي كه به شكل خودكار ساخته شده‌است و چه آن‌هايي كه دست سازند، ناكامل هستند. براي تكميل پايگاه دانش، استنباط روابط جديد با استفاده از استدلال تركيبي روي اطلاعات يافت‌شده در طول ديگر مسيرهاي متصل‌كننده يك جفت موجوديت، انجام مي‌شود. تكنيك‌هاي يادگيري عميق در بسياري از مسائل طبقه‌بندي و بازشناسي نتايج حيرت انگيزي داشته است.با اين حال، مسائل پيچيده پردازش زبان طبيعي اغلب نيازمند تصميمات چندگانه و وابسته به هم هستند، در عين حال، توانمند‌سازي مدل‌هاي يادگيري عميق براي يادگيري نحوه استدلال كردن، هنوز يك مسئله‌ي چالش برانگيز محسوب مي‌شود. براي پاسخ به پرس و جوهاي پيچيده كه در آن هيچ پاسخ واضحي وجود ندارد، ماشين‌هاي هوشمند بايد قادر به انجام استدلال با توجه به منابع موجود باشند و ياد بگيرند تا با استفاده از استنتاج به سوالاتي كه نمي دانند پاسخ دهند. در اين پژوهش به بررسي روش‌هاي بكارگيري يادگيري تقويتي عميق، در استنتاج گراف دانش پرداخته شده‌است.در نهايت مشاهده نموديم كه بكارگيري يادگيري تقويتي در استنتاج گراف دانش منجر به نتايج بسيار خوبي در مقايسه با ديگر روش‌هاي معمول از جمله روش‌هاي مبتني بر تعبيه و مسير مي‌شود. واژه‌هاي كليدي: يادگيري تقويتي، گراف دانش، استنتاج، يادگيري تقويتي عميق، هوش مصنوعي
