摘要

近年来，人们对可解释图推理方法产生了浓厚的兴趣。然而，由于缺乏能够到达目标实体的证据路径，这些模型在处理稀疏和不完整的图时常常受到性能限制。在这里，我们研究了开放知识图推理——一种旨在推理由背景文本语料库增强的图上缺失的事实的任务。该任务的一个关键挑战是过滤从语料库中提取的“无关”事实，以便在路径推理过程中保持有效的搜索空间。我们提出了一种新的强化学习框架来联合训练两个协作代理，即一个多跳图推理器和一个事实提取器。事实提取代理从语料库中生成事实三元组，动态地丰富图形;而推理代理则向事实提取器提供反馈，并引导其推广对可解释推理有帮助的事实。在两个公共数据集上的实验证明了该方法的有效性。本文使用的源代码和数据集可从https://github.com/shanzhenren/CPL下载。

1.介绍

知识图谱的完成或推理。在自然语言处理中，推断给定图的缺失事实(实体关系)的任务是一个重要的问题，具有广泛的应用(Bordes等人，2011;Socher等，2013;Trouillon等人，2016)。最近的神经图推理方法，如MINERV A (Das等人，2017)、DeepPath (Xiong等人，2017)和Multi-H