ChatRule: Mining Logical Rules with Large Language Models for Knowledge Graph Reasoning

本文是LLM系列文章，针对《ChatRule: Mining Logical Rules with Large Language Models for
Knowledge Graph Reasoning》的翻译。

摘要

逻辑规则对于揭示关系之间的逻辑联系至关重要，它可以提高推理性能并提供知识图谱上可解释的结果。虽然在挖掘有意义的逻辑规则方面已经做了很多努力，但现有的方法存在对规则空间进行计算密集型搜索和对大规模逻辑规则缺乏可扩展性的问题，而且往往忽略了关系的语义，而关系的语义对于发现逻辑连接至关重要。近年来，大型语言模型以其涌现能力和泛化能力在自然语言处理领域和各种应用中表现出了令人瞩目的表现。在本文中，我们提出了一个新的框架，ChatRule，释放了大型语言模型在知识图谱上挖掘逻辑规则的能力。具体来说，该框架是由一个基于llm的规则生成器启动的，它利用KGs的语义和结构信息来提示llm生成逻辑规则。为了优化生成的规则，规则排序模块通过整合来自现有知识库的事实来估计规则质量。最后，规则验证器利用llm的推理能力，通过思维链推理来验证排名规则的逻辑正确性。ChatRule在四个大规模的KGs、不同的规则质量指标和下游任务上进行了评估，显示了我们的方法的有效性和可扩展性。

引言

相关工作

前言和问题定义

方法

实验

结论

在本文中，我们引入了一种名为ChatRule的新方法来弥合KGs上逻辑规则挖掘的差距。在ChatRule中，我们提出了一个基于llm的规则生成器，该规则生成器结合了语义和结构信息来生成有意义的规则。此外，还开发了规则排序器和CoT规则验证器，以评估规则的质量并消除不正确的规则。在多个数据集上进行的大量实验表明，ChatRule可以为下游任务生成高质量且可解释的规则。在未来，我们将探索集成高级模型来增强llm对结构信息的理解，提高规则挖掘的性能。