Symbolic rule-based knowledge graph completion

Betz, Patrick

Vorschau

PDF
PHD_Thesis_Patrick_Betz.pdf - Veröffentlichte Version
Download (1MB)

URN:	urn:nbn:de:bsz:180-madoc-710815
Dokumenttyp:	Dissertation
Erscheinungsjahr:	2025
Ort der Veröffentlichung:	Mannheim
Verlag:	Universität Mannheim
Hochschule:	Universität Mannheim
Gutachter:	Prof. Dr. Heiner Stuckenschmidt
Datum der mündl. Prüfung:	2025
Sprache der Veröffentlichung:	Englisch
Einrichtung:	Fakultät für Wirtschaftsinformatik und Wirtschaftsmathematik > Practical Computer Science II: Artificial Intelligence (Stuckenschmidt 2009-)
Lizenz:	Creative Commons Namensnennung 4.0 International (CC BY 4.0)
Fachgebiet:	004 Informatik
Freie Schlagwörter (Englisch):	knowledge graphs , knowledge graph completion , rule-based completion
Abstract:	Knowledge graphs are composed of relational facts that encode correct statements about the world. In the problem of knowledge graph completion, the goal is to augment a knowledge graph with missing but correct statements. Symbolic rule-based approaches perform this task by using logical clauses or rules. They are fully interpretable and efficient to use when using suitable inference mechanisms. A symbolic approach for performing knowledge graph completion can be separated into two stages. In the first stage, rules are learned inductively from the knowledge graph using a mining system. In the second stage, they must be applied to derive new facts. The focus of this thesis is on the latter stage which can become challenging when knowledge graphs are large and when many rules are learned. We explore and investigate how to effectively employ rules to make new fact predictions. We demonstrate in this context how rules make fully explainable predictions and how they can be used to explain other model classes. We analyse rule inference from a theoretical view and propose methods to make new predictions using supervision from a training knowledge graph. To have a meaningful evaluation, the rule-based approach and the proposed methods are compared with popular latent-based models that learn embeddings from the knowledge graph. Our results show that rule-based approaches are highly competitive when considering the predictive performance. Finally, we explore other model classes which inspires simple augmentation strategies to increase the expressiveness of the rule-based approach.
Übersetzter Titel:	Symbolische regelbasierte Wissensgraphkomplettierung (Deutsch)
Übersetzung des Abstracts:	Wissensgraphen bestehen aus relationalen Fakten, die korrekte Aussagen über die Welt beschreiben. Bei der Wissensgraphkomplettierung besteht das Ziel darin, einen Wissensgraphen mit fehlenden, aber korrekten Aussagen zu ergänzen. Symbolische regelbasierte Ansätze betreiben Wissensgraphkomplettierung durch die Verwendung logischer Klauseln oder Regeln. Sie sind vollständig interpretierbar und effizient, wenn geeignete Inferenzmechanismen verwendet werden. Ein symbolischer Ansatz zur Wissensgraphkomplettierung kann in zwei Phasen unterteilt werden. In der ersten Phase werden Regeln induktiv aus dem Wissensgraphen mit Hilfe eines Lernalgorithmus gesucht. In der zweiten Phase müssen sie angewendet werden, um neue Fakten abzuleiten. Der Fokus dieser Arbeit liegt auf der letztgenannten Phase, die herausfordernd werden kann, wenn Wissensgraphen groß sind und wenn viele Regeln gelernt werden. Wir untersuchen, wie man Regeln effektiv einsetzen kann, um neue Vorhersagen zu treffen. Wir demonstrieren, wie symbolische Regeln vollständig erklärbare Vorhersagen treffen und wie sie verwendet werden können, um auch andere Modellklassen zu erklären. Regelinferenz wird aus einer theoretischen Sicht untersucht und es werden Methoden präsentiert, um die Inferenz anhand von überwachtem Lernen basierend auf dem Wissensgraphen zu verbessern. Für eine aussagekräftige Bewertung werden der regelbasierte Ansatz und die vorgeschlagenen Methoden mit gängigen Modellen verglichen, welche latente Repräsentationen aus dem Wissensgraphen lernen. Unsere Ergebnisse zeigen, dass regelbasierte Ansätze hinsichtlich der Vorhersagequalität stark konkurrenzfähig sind. Außerdem untersuchen wir andere Modellklassen für das Problem, was einfache Erweiterungsstrategien zur Steigerung der Ausdrucksfähigkeit des regelbasierten Ansatzes inspiriert. (Deutsch)