在计算机技术不断深入和优化的今天，知识图谱（knowledge graph）已然成为人工智能技术的重要组成部分，它以结构化的方式描述客观世界中的概念、实体及其键的关系，将互联网信息表达成更接近于人类认知世界的形式。其中，知识图谱推理 (knowledge graph reasoning) 则成为支持机器学习应用的基本组件，如信息提取、信息检索和推荐。
近日，中国人民大学研究团队对知识图谱推理技术进行了详细研究，并发表相关综述。综述深入研究了符号推理、神经推理以及混合推理，并对知识图谱推理的未来方向进行探讨。该综述以 “Neural, symbolic and neural-symbolic reasoning on knowledge graphs” 为题发表在专注 AI 开放获取的新期刊 AI OPEN 上。
论文第一作者张静博士，是中国人民大学信息学院计算机系副教授，目前主要研究方向是知识图谱挖掘与推理等，任 SIGKDD、IJCAI 等领域内国际顶级学术会议高级程序委员会委员以及 TKDE、TOIS、TKDD、中国科学等知名杂志审稿人。
首先，研究人员对近年来已完成的知识图谱及相关推理机制进行对比分析，总结出不同推理技术的优缺点与主要应用领域：第一，传统的基于搜索的归纳逻辑编程（Inductive Logic Programming）严重依赖于搜索算法、各种剪枝技术和高效的数据库操作，这些方法具有明显的局限性 —— 由于规则搜索过程中使用的严格匹配和离散逻辑操作，符号推理方法无法处理模糊和噪声数据；预先制定的评估标准限制了所学规则的表达能力。
第二，神经推理方法利用浅层嵌入模型，如基于翻译的模型、基于乘法的模型或包括 CNN、RNN 和 GNN 的深层神经网络模型，在知识图谱中嵌入实体和关系，并据此执行推理任务。这样的推理方法是建立在语义表示上的，而非实体和关系的符号表示。然而，当出现复杂的逻辑关系时，这些简单的神经网络模型不能推断出答案。此外，神经网络没有明确的规则来解释推理结果。第三，混合推理方法包括三种。
一是符号驱动的神经推理，旨在学习实体和关系嵌入，但推理过程仍然基于嵌入，缺乏解释能力。二是符号驱动的概率推理，通过将规则建立在知识基础上来限定逻辑规则。这种方法的计算成本往往较高，且不能产生新的规则。三是神经驱动的符号推理，以答案预测和规则学习为目标。然而，随着跳数的增加，实体关系与路径变得更加复杂，使得预测性能难以达到较高水平。
此外，研究人员还总结了未来知识图谱推理可能的研究方向，如下：少样本推理（Few-shot Reasoning）是一种在训练实例极少的情况下提出的学习范式，它在计算机视觉中首次表现出显著的性能。回答复杂问题（Answering Complex Questions）现有的神经符号推理模型大多只能回答单一关系问题，性能也会随着跳数的增加而急剧下降。
近年来，对于文本语料库的复杂问题回答上，结合人类认知的神经符号模型在推理能力上显示出优越性，且不会随着问题数量的增加而变弱。多源推理（Reasoning upon Multi-sources）由于知识图中由实体和关系组成的结构信息往往不够完整，因此鼓励结合非结构化文本数据中的附加信息进行推理。动态推理（Dynamic Reasoning）旨在学习新的逻辑规则，以推断出会随时间产生变化的动态结果。
现有的推理方法都致力于静态知识格中的推理，但忽略了知识中包含的时间信息。类比推理（Analogical Reasoning）人类智慧的标志是，通过旧领域的经验来快速学习新领域的潜在内容。因此，通过比较新旧知识图谱之间相似性的推理模型，机器就能完成类人的自适应学习。
知识图谱预训练（Knowledge Graph Pre-training）最近，已有研究证明预训练图神经网络能够基于不同的图数据，来捕获图结构特征。受这种模型的启发，一个能够捕捉不同知识图谱之间实体和关系的可转移语义的知识图谱预训练模型也值得研究。