Modeling paths in knowledge graphs for context-aware prediction and explanation of facts

Abstract

Knowledge bases are an important resource for question answering systems and search engines but often suffer from incompleteness. This work considers the problem of knowledge base completion (KBC). In the context of natural language processing, knowledge bases comprise facts that can be formalized as triples of the form (entity 1, relation, entity 2). A common approach for the KBC problem is to learn representations for entities and relations that allow for generalizing existing connections in the knowledge base to predict the correctness of a triple that is not in the knowledge base. In this work, I propose the context path model, which is based on this approach. In contrast to existing KBC models, it also provides explanations for predictions. For this purpose, it uses paths that capture the context of a given triple. The context path model can be applied on top of several existing KBC models. In a manual evaluation, I observe that most of the paths the model uses as explanation are meaningful and provide evidence for assessing the correctness of triples. I also show in an experiment that the performance of the context path model on a standard KBC task is close to a state of the art model.

Wissensbasen sind eine wichtige Ressource für Frage-Antwort-Systeme und Suchmaschinen. Oft sind Wissensbasen jedoch unvollständig. Diese Arbeit beschäftigt sich mit dem Problem der Vervollständigung von Wissensbasen. Im Kontext der maschinellen Sprachverarbeitung bestehen Wissensbasen aus Fakten, die als Tripel der Form (Entität 1, Relation, Entität 2) dargestellt werden können. Ein häufiger Ansatz für die Vervollständigung von Wissensbasen ist, Repräsentationen für Entitäten und Relationen zu lernen, die es erlauben, bestehende Zusammenhänge in einer Wissensbasis zu erfassen und zu generalisieren, um damit die Korrektheit von Tripeln vorherzusagen, die nicht in der Wissensbasis vorkommen. In dieser Arbeit stelle ich das context path model vor, welches auf diesem Ansatz basiert. Im Gegensatz zu bisherigen Modellen generiert es auch Erklärungen für Vorhersagen. Für die Erklärungen werden Pfade genutzt, die den Kontext des betrachteten Tripels erfassen. Das vorgeschlagene Modell kann auf mehrere bestehende Modelle zur Vervollständigung von Wissensbasen angewandt werden. Die manuelle Auswertung von Erklärungen zeigt, dass das context path model zum Großteil sinnvolle Pfade ausgibt, die Hinweise über die Korrektheit des betrachteten Tripels geben. In einem Experiment zeige ich außerdem, dass das context path model die Genauigkeit eines aktuellen Modells bei der Vorhersage von neuen Fakten fast erreicht.