计算机应用研究

作者：孙崇,王海荣,荆博祥,马赫,

单位：北方民族大学a.计算机科学与工程学院;b.图像图形智能处理国家民委重点实验室,银川750021；

关键词：知识推理,分层强化学习,交互奖励,链接预测,

基金：宁夏自然科学基金资助项目(2023AAC03316)；；

针对知识推理过程中，随着推理路径长度的增加，节点的动作空间急剧增长，使得推理难度不断提升的问题，提出一种分层强化学习的知识推理方法（knowledge reasoning method of hierarchical reinforcement learning，MutiAg-HRL），降低推理过程中的动作空间大小。MutiAg-HRL调用高级智能体对知识图谱中的关系进行粗略推理，通过计算下一步关系及给定查询关系之间的相似度，确定目标实体大致位置，依据高级智能体给出的关系，指导低级智能体进行细致推理，选择下一步动作；模型还构造交互奖励机制，对两个智能体的关系和动作选择及时给予奖励，防止模型出现奖励稀疏问题。为验证该方法的有效性，在FB15K-237和NELL-995数据集上进行实验，将实验结果与TransE、MINERVA、HRL等11种主流方法进行对比分析，MutiAg-HRL方法在链接预测任务上的hits@k平均提升了1.85%，MRR平均提升了2%。

来源：2024年第3期

《计算机应用研究》期刊编辑部

查看计算机应用研究杂志2024年第3期