摘要

基于案例的推理（Case-Based Reasoning, CBR）系统通过检索与当前问题相似的“案例”来解决新问题。若此类系统能够实现高准确率，则因其简洁性、可解释性以及良好的可扩展性而极具吸引力。本文证明，该类系统在知识库（Knowledge Base, KB）中的推理任务中是可行的。我们的方法通过从知识库中与目标实体相似的实体获取推理路径，来预测目标实体的属性。我们提出的概率模型能够估计某条路径在回答关于该实体查询时的有效性。该模型的参数可通过简单的路径统计信息高效计算，无需迭代优化。此外，该模型为非参数化设计，能够随着知识库中新实体和新关系的加入动态扩展。在多个基准数据集上的实验表明，我们的方法显著优于其他规则学习方法，并达到与当前最先进的嵌入式（embedding-based）方法相当的性能。进一步地，我们在“开放世界”场景下验证了模型的有效性——在新实体以在线方式持续到来的情况下，我们的方法显著超越现有最先进方法，几乎逼近最佳离线学习方法的表现。代码已开源，地址为：https://github.com/ameyagodbole/Prob-CBR。