用于零样本逻辑查询推理的基础模型

知识图谱中的复杂逻辑查询回答（CLQA）超越了简单的知识图谱补全，旨在回答由多个投影和逻辑操作组成的组合查询。现有的CLQA方法学习绑定到特定实体或关系词汇的参数，只能应用于它们训练过的图，这需要在新图上部署之前花费大量训练时间。在这里，我们提出UltraQuery，第一个用于归纳推理的基础模型，可以在任何知识图谱上零样本回答逻辑查询。UltraQuery的核心思想是将投影和逻辑操作都推导为与词汇无关的函数，这些函数可以泛化到任何知识图谱中的新实体和关系。通过从预训练的归纳知识图谱推理模型初始化投影操作，UltraQuery可以在单个数据集上微调后解决任何知识图谱上的CLQA。在23个数据集上的实验表明，UltraQuery在零样本推理模式下显示出与最佳可用基线相当或更好的查询回答性能，并在其中15个数据集上达到了新的最先进水平。