知识图论的深度强化学习 我们研究在大型知识图（KG）中学习推理的问题。 更具体地说，我们描述了一种用于学习多跳关系路径的新颖的强化学习框架：我们使用基于知识图嵌入的具有连续状态的基于策略的代理，这通过对最有希望的关系进行采样来在KG向量空间中进行扩展它的路径。 与以前的工作相比，我们的方法包括一种奖励功能，该功能考虑了准确度，多样性和效率。 实验表明，在Freebase和Never-Ending Language Learning数据集上，我们提出的方法优于基于路径排序的算法和知识图嵌入方法。