28817

ارائه روشي توضيح‌پذير براي پيش‌بيني پيوند در گراف‌هاي دانش

كارشناسي ارشد

مهندسي كاميپيوتر - هوش مصنوعي و رباتيكز

1399

1402/06/18

دكتر بهروز مينايي بيدگلي

مهندسي كاميپيوتر

يكي از وظايف بسيار مهم كه بر روي گراف‌هاي دانش تعريف مي‌شود، وظيفه پيش‌بيني پيوند است. در اين وظيفه هدف اين است كه بتوان حقيقت‌هاي جديد را از حقايق موجود در گراف دانش استنباط كرد و گراف دانش را كامل‌تر كرد. مدل‌هايي كه در اين وظيفه تعريف مي‌شوند را مي‌توان به سه دسته جانمايي، منطقي و چندگامي تقسيم كرد. بر خلاف مدل‌هاي جانمايي كه به‌صورت جعبه سياه ديده مي‌شوند، مدل‌هاي منطقي و چندگامي توانايي توليد توضيح براي خروجي توليد شده را دارند. همچنين طبق نتايج به‌دست‌آمده از مدل‌هاي قبل، روش‌هاي جانمايي معمولاً به دقت‌هاي بهتري نسبت به دو دسته مدل ديگر دست پيدا مي‌كنند. هدف از انجام اين پروژه در وهله اول تركيب دو مدل پيش‌بيني پيوند جانمايي و منطقي براي بهره‌مندي از فوايد هر دو اين مدل‌ها است. در واقع هدف اين است كه با داشتن يك هوش مصنوعي نمادي - عصبي هم دقت‌هايي بهتر از دقت‌هاي دو مدل قبل به دست آيد و هم اينكه مدل نهايي توانايي ارائه توضيح‌ براي خروجي‌هاي توليد شده را داشته باشد. همچنين در اين پروژه قواعد توليد شده توسط مدل منطقي بررسي شده است و يكي از مشكلات اساسي اين مدل‌ها كه توليد قواعد نامناسب است، اصلاح شده است. قواعدي نامناسب هستند كه از نظر يك كاربر انساني قابل‌قبول و منطقي نمي‌باشند، اما بعضاً اين قواعد امتيازهاي بالايي از مدل اوليه دريافت كرده بودند. تلاش شد كه با استفاده از استدلال عرفي انسان و مدل‌هاي استنتاج زبان طبيعي مشكل اين قواعد برطرف شود. مدل نهايي از تركيب يك مدل جانمايي به همراه يك سامانه منطقي ايجاد شده¬ است كه در آن نتايج هر دو مدل براي يك پرسش گرفته شده و با استفاده از يك موتور استنتاج اين نتايج تركيب مي¬شوند تا نتايج نهايي به دست آيد. در اين مدل قواعد استخراج شده از سامانه منطقي به‌وسيله استدلال عرفي انسان پالايش شده‌اند. مدل نهايي توانست افزايش دقت حدود 13 درصدي و 2 درصدي به ترتيب نسبت به مدل‌هاي منطقي و عصبي پايه داشته باشد. همچنين نسبت به مدل¬هاي چندگامي توانست افزايش دقت حدود 6 درصدي داشته باشد.

1402/07/15

Presenting an Explainable Method for Link Prediction in Knowledge Graphs

9/8/2024 12:00:00 AM

One of the most important tasks defined in knowledge graphs is link prediction. In this task, the goal is to deduce new facts from the information within the knowledge graph, thereby enhancing its completeness. The models designed for this task can be categorized into three groups: embedding, logical, and multi-hop models. Unlike embedding models, which are often viewed as black boxes, logical and multi-hop models possess the capability to provide explanations for their output. Additionally, based on the results obtained from previous models, embedding methods typically achieve higher accuracy compared to the other two model categories. The purpose of this project is to combine two link prediction models: embedding and logical, to leverage the strengths of both. Specifically, the objective is to achieve superior accuracy compared to the previous models by creating a neural-symbolic artificial intelligence system capable of offering explanations for its outputs. In this project, the rules generated by the logical model have been scrutinized, and efforts have been made to address a common issue with these models, namely the generation of incorrect rules. Such incorrect rules are deemed unacceptable and illogical from a human user's perspective, yet they occasionally receive high scores from the model. To tackle this issue, attempts have been made to employ common-sense reasoning and natural language inference models. The final model is a fusion of an embedding model and a logical system. Both models' results are considered for a query, and these results are combined using an inference engine to produce the final outcomes. Within this model, rules derived from the logical system have been refined through human common-sense reasoning. Consequently, the final model achieved an accuracy increase of 13% and 2%, respectively, compared to the logical and neural models. Furthermore, in comparison to multi-step models, it demonstrated an approximately 6% accuracy improvement.

پيش‌بيني پيوند , گراف دانش , هوش مصنوعي نمادي - عصبي , توضيح‌پذيري , استدلال عرفي

Link prediction , knowledge graph , neural-symbolic artificial intelligence , explainability , common sense reasoning

Mohammad Hossein Khojasteh

Prof. Behrouz Minaei-Bidgoli