知识图谱嵌入和 OWL 推理都能“补出”图里没有显式写出的关系,但两者并没有因此做同一件事。TransE、ComplEx 等模型根据训练数据学习实体与关系的向量和打分规则,回答某候选链接在给定数据分布下是否像一个合理事实;OWL 2 Direct Semantics 则定义本体的模型,并判断某条结论是否在每一个符合公理的模型中都成立。一个给出统计排序,一个给出逻辑蕴涵,不能把高分当证明,也不能把未出现的边直接当反例。把这两种机制放进同一系统,前提是分清它们各自的证据和责任。
它们提出的是两种不同问题
设图中已知 Alice worksFor Acme、Bob worksFor Acme,现在希望判断 Carol worksFor Acme。嵌入模型可以从相似的实体、关系与邻居模式推测这条边的得分或排名,并把它排在其他候选之前;它并没有由此证明现实中的 Carol 确实受雇于 Acme。逻辑系统则需要已声明的公理、事实与语义规则;若这些陈述蕴涵该结论,才可以称它在该本体语义下可推出。若缺少足够的公理或事实,理性结论可能是“当前无法推出”,而不是“必然为假”。
| 比较维度 | KG embedding 链接预测 | OWL 2 逻辑推理 |
|---|---|---|
| 核心问题 | 哪个候选更符合训练数据学习到的模式 | 给定公理集合是否在所有模型中蕴涵目标结论 |
| 主要输入 | 训练三元组、实体与关系表示、优化目标 | 本体公理、个体断言与形式语义 |
| 输出含义 | 分数、概率形式或候选排序 | 蕴涵、不蕴涵,或在一致性等任务上的结果 |
| 缺失边 | 可能是未知;训练时也可能被采样成负例 | 默认未断言不等于否定,除非有公理支持否定结论 |
| 解释方式 | 嵌入维度、邻居模式、模型分数等统计依据 | 可追溯到公理与模型论语义的推导 |
下面的关系图表示的不是一条自动升级的流水线:嵌入分数不会自行变成 OWL 公理,只有明确的业务规则或人工审核才可把模型建议转成知识。
flowchart LR
A[已观察三元组] --> B[嵌入模型学习向量与打分]
B --> C[候选链接排序]
D[OWL 本体公理与断言] --> E[Direct Semantics 下的推理]
E --> F[蕴涵或一致性结论]
C -. 需验证或审核 .-> D
因此,对两个系统说“它们都能推理”容易造成混淆。机器学习文献中的 reasoning 常泛指根据图结构完成新链接预测;OWL 中的 entailment 有严格的定义,要求目标命题对本体的所有模型成立。前者可以对未知边做有用预测,后者对规则是否逻辑成立给出语义判断,但不会因为一条边“看起来很像”就接受它。
嵌入模型学习的是关系模式
TransE:把关系当作向量平移
Bordes 等人在 2013 年提出 TransE,用向量表示实体和关系。对三元组 (h, r, t),它希望头实体向量加上关系向量后接近尾实体向量,即 h + r ≈ t;模型用 d(h + r, t) 作为能量,论文采用 L1 或 L2 距离。能量较低代表模型更偏好这条三元组。它的吸引力在于每个实体和关系只需一个低维向量,参数量较克制,可扩展到较大图谱。
训练时,TransE 对真实训练三元组构造 corrupted triplets:随机替换头实体或尾实体之一,不同时替换两端。其 margin-based ranking loss 要求真实样本能量比被破坏样本至少低一个 margin;实体向量在训练中归一化,避免只靠放大向量范数降低损失。这里的“corrupted”是训练算法构造的对照样本,不是逻辑系统证明它在现实世界为假。若替换后恰好形成另一条真实关系,训练标签仍可能与开放图中的事实不一致。
TransE 的作者在 WordNet 与 Freebase 派生数据上做链接预测,逐个替换测试三元组的头或尾,再在实体词典中排序候选。2013 年论文表 3 报告:其 WN 测试任务的 filtered Hits@10 为 89.2%;FB15k 测试任务的 filtered Hits@10 为 47.1%;在约 100 万实体的 FB1M 测试任务中,作者报告 raw Hits@10 为 34.0%。FB1M 这一数值是 raw 设定,论文未给该大规模设置的 filtered 结果,不能与前两项 filtered 数值混作同口径排名。作者还明确指出,TransE 在需要头、关系、尾三方交互的 Kinships 小数据集上,按交叉验证的 Precision-Recall 曲线下面积衡量时,不及若干基线;模型简单与可扩展并不意味着对所有关系模式都适合。
ComplEx:复数打分能表示方向性
ComplEx 将实体与关系表示为复数向量,对三元组的评分函数为 Re(Σ_k w_rk e_sk conjugate(e_ok))。复共轭让主体和客体的角色不再对称,因此该模型能拟合反对称关系;这弥补了某些只用实向量内积的模型在方向表达上的局限。论文将得分经 sigmoid 纳入 logistic 似然目标训练,并加上 L2 正则项。
ComplEx 作者在 WN18 与 FB15k 等链接预测基准上报告 filtered ranking 指标。原论文表格中,ComplEx 在 WN18 测试任务的 filtered MRR 为 0.941,在 FB15k 测试任务的 filtered MRR 为 0.692。MRR 是正确实体排名倒数的平均值;它与 TransE 上述 Hits@10 百分比不是同一指标,不能单看 0.941 大于 89.2 就得出 ComplEx“更强”的结论。数据切分、候选集过滤、模型配置和评价指标都需要一起对齐后,才有意义比较模型。
R-GCN:用图邻居编码,再由解码器评分
R-GCN(Relational Graph Convolutional Network)把关系类型纳入图卷积:每层按照不同关系汇总邻居表示,再加上节点自身变换,得到实体表示。它不是一套独立的逻辑语义,而是一种利用关系图结构学习表征的编码器。原论文在链接预测中让 R-GCN 产生实体向量,再用 DistMult 解码器给三元组打分;训练使用二元交叉熵,并通过替换头或尾实体构造负样本。论文还评估节点分类,说明该编码器不只服务于链接预测。
在 FB15k-237 链接预测任务上,作者报告 R-GCN 编码器加 DistMult 解码器的 filtered MRR 为 0.248,仅用 DistMult 解码器的基线为 0.191;论文将差异报告为相对提升 29.8%。这是作者在指定任务和实验设置中的结果,不是 OWL 推理准确率,也不代表每个真实图谱都能获得同样的提升。R-GCN 仍通过训练目标学习打分;即使它利用多跳关系邻居,模型分数依然不是形式证明。
三类方法可以概括为:TransE 用平移距离刻画候选,ComplEx 用复数双线性函数评分,R-GCN 用关系邻居增强实体表示后由解码器评分。它们建模假设和表达能力不同,但共同点是从样本中优化参数、利用得分排序,均未承诺“被高分选中的命题在所有解释中必然为真”。
负采样与开放世界的冲突
知识图谱往往只有部分事实。对某个 (h, r, t) 没有记录,至少有几种可能:关系确实不成立、数据源尚未收录、实体链接失败、数据还没同步,或者该关系根本不在当前图谱覆盖范围内。仅凭缺边不能区分它们。W3C 的 OWL 2 Primer 用开放世界假设解释这一点:在 OWL 中,一条未记录的信息可能只是缺失,而仍可能为真;要明确表达否定,需用相应的否定断言或约束,而不能默认为数据库式“未写即假”。OWL 也不采用唯一名称假设,不同标识符本身不能证明对应不同个体。
但嵌入模型需要可优化的训练目标。ComplEx 原论文对只有正三元组的 WN18、FB15k 采用 local closed-world assumption:对每个正例,随机替换主体或客体,构造负例,并测试每个正例产生不同数量负例的设置。这是为了训练判别模型而作出的采样约定,不是对整个知识图谱宣布闭世界。TransE 同样以替换头或尾实体构造 corrupted triplets,利用 margin 区分正负样本。采样负例可以教模型在当前训练协议下分开两类,但如果缺失事实其实为真,模型得到的监督就是噪声。开放世界不意味着负采样永远不可用,而是必须承认“负例”是依据某个数据协议构造的,而非因未观察到就自然成立。
评估时常用 filtered ranking 缓解一个具体问题:把训练、验证、测试集中已知的其他真三元组从候选排名中排除,避免它们因为也是事实却排在当前测试答案之前而被算作错误。TransE 原论文明确讨论了这个动机,并同时报告 raw 与 filtered 排名。可是 filtered 只能利用已知集合里的正例;它无法过滤数据集中从未记载的真实关系。若 benchmark 的 reference answers 本身不完整,预测出未标注的真实链接仍可能被当成错误,模型分数也会受标注覆盖率影响。
因此,训练和评测时应显式区分三类标签:已确认正例、经过权威规则或人工验证的负例,以及未知项。简单随机替换适合构造大规模近似负例,但用于高风险领域时要检查假负例率;可结合类型约束、关系域值域、已知事实过滤或人工复核,减少把不可能实体和潜在真边一概采作负例。所有评估数字都应说明负采样策略、候选空间、过滤集合和 benchmark 划分,不能把一种协议下的 MRR 或 Hits@K 当作模型的普遍事实正确率。
OWL 2 的逻辑结论从哪里来
OWL 2 Direct Semantics 通过解释(interpretation)给类、属性、个体和数据赋予形式含义。类可解释为对象集合,对象属性可解释为对象之间的二元关系;公理则对这些集合和关系施加约束。例如子类公理要求一个类的所有实例都属于另一个类,属性域和值域公理约束属性关系的端点,传递属性公理约束链式关系。一个 interpretation 满足本体所有公理,就称它是该本体的一个模型。
本体 O 蕴涵结论 A,意思是 O 的每一个模型也是 A 的模型。这比“训练样本中经常出现”“某个模型给了高分”强得多;若找到一个满足 O 却不满足 A 的模型,就说明 O 并未蕴涵 A。OWL 一致性则是另一个问题:是否至少存在一个满足全部公理的模型。蕴涵关注所有模型,一致性关注是否存在模型,不能把它们混为一种预测分数。
例如,若明确声明 Car ⊑ Vehicle,又断言 myCar 属于 Car,则在 Direct Semantics 下可推出 myCar 属于 Vehicle。但若未断言 myCar 是否属于 ElectricVehicle,通常无法仅凭缺少这条记录断言它不属于该类。若另有 ElectricVehicle 与 CombustionVehicle 不相交,且能推出 myCar 属于后者,才可能进一步判断相关类别结论;前提是整套本体仍一致。逻辑系统的结论来自公理与语义条件,不是节点向量彼此接近。
OWL 2 的 profiles 是为了不同推理需求而裁剪语言表达能力。OWL 2 EL 面向大型分类本体;OWL 2 QL 面向以查询回答为重点、可与关系数据库查询重写结合的应用;OWL 2 RL 面向规则式推理和规则引擎实现。它们通过限制可用构造,换取更适合特定场景的推理特性;不是“嵌入模型的三种版本”,也不表示任何 OWL 文件都能任意套用同一个 profile。工程上应先确认本体符合所选 profile,再选择支持相应语义的推理器,并记录哪些公理被支持、哪些需要预处理。
两者怎么协作,而不是互相冒充
在混合知识系统里,嵌入模型可以承担候选发现:从海量可能实体对中筛出值得关注的链接,为人工审核、实体链接或后续补录排序。OWL 推理器可承担规则验证、隐含结论检查、一致性与约束检查。随后由业务规则、数据源或审核者决定是否将候选写入正式事实集;若写入,应保存来源、模型版本、分数、审核状态和时间。模型建议与已确认断言分层存放,避免低置信候选在下游被误当成确定事实。
| 阶段 | 推荐职责 | 应保留的证据 |
|---|---|---|
| 候选生成 | 嵌入模型根据图结构或文本模式排序潜在链接 | 模型/数据版本、分数、候选排名、采样与阈值 |
| 语义检查 | OWL reasoner 检查已有公理可推出什么、是否存在冲突 | 本体版本、所用 profile 与公理、推理结果 |
| 事实确认 | 来源系统、领域规则或人工审核决定是否采纳 | 证据链接、审核者、确认/拒绝/待定状态 |
| 评估 | 分别衡量链接排名与逻辑推理质量 | 候选 benchmark、推理测试集、错误成本与覆盖范围 |
评测也应拆开。对嵌入模型,报告 filtered/raw MRR、Hits@K 等排名指标、切分策略、候选实体集合、负采样方式与过滤哪些已知事实;同时检查不同关系类型、长尾实体和数据时间切片。对逻辑推理,则检查目标公理是否被蕴涵、已知蕴涵是否被推理器遗漏、本体是否一致、约束是否在实际数据上满足。若系统把模型候选写成断言,还要另测写入后的推理后果、错误合并代价与撤销能力。一个模型在某个链接预测基准上更高的 MRR,不能替代逻辑一致性测试;推理器对一个本体给出正确蕴涵,也不意味着它能替用户找齐所有现实中尚未输入的事实。
混合系统的关键设计不是把两种分数加权成一个“知识可信度”,而是明确证据等级:观察到的事实、逻辑推出的结论、模型提出的候选、未经验证的未知。只有保持这些状态可辨识,系统才能一边利用统计模型发现可能有价值的边,一边避免把“可能为真”偷换成“逻辑必然为真”。
小结
知识图谱嵌入是学习式预测:从训练样本中形成向量和打分,服务于候选排序与补全;OWL 2 推理是模型论语义下的演绎:结论必须由公理在所有模型中成立。负采样让预测任务可训练,却不会把缺边变成逻辑否定;filtered ranking 能排除已知的其他真例,却无法修复参考数据未收录的事实。工程上可把 embeddings 用于发现、把 OWL 用于语义约束与证明,并把候选、断言和推理结论分开治理。
参考资料
- Translating Embeddings for Modeling Multi-relational Data — TransE 原论文,给出平移评分、margin 排序损失、负样本构造和链接预测评估协议。
- Complex Embeddings for Simple Link Prediction — ComplEx 原论文,说明复数打分、logistic 训练及链接预测实验。
- Modeling Relational Data with Graph Convolutional Networks — R-GCN 原论文,包含关系图卷积编码器、节点分类与链接预测实验。
- OWL 2 Direct Semantics — W3C 对解释、模型与本体蕴涵的规范定义。
- OWL 2 Profiles — W3C 对 EL、QL、RL 的定位、语法限制与推理特性的说明。
- OWL 2 Primer — W3C 以示例解释开放世界假设、未断言事实及推理基础。
读者留言
COMMENTS 暂无还没有留言,来说第一句?