从链视角进行知识图谱数值推理——CHAINSFORMER
人工智能
2025-04-22 v1 机器学习
摘要
对知识图谱（KG）进行推理是知识图谱完成或问答系统的关键任务，提供更丰富且更准确的三元组和属性。随着数值属性在刻画实体和关系中发挥越来越重要的作用，针对这些属性进行推理的能力日益重要。现有的基于图的方法，如图神经网络（GNN）和知识图谱嵌入（KGE），主要关注聚合同质的本地邻居，隐式地嵌入多样化的三元组。然而，这些方法往往未充分发挥图中逻辑路径的潜力，限制了其在利用推理过程方面的效果。为此，我们提出CHAINSFormer，一个新的基于链的方法框架，用于支持数值推理。ChainsFormer不仅显式构建逻辑链，还将推理深度扩展到多个跳。特别地，我们引入关系-属性链（RA-Chains），这是一种特殊的逻辑链，用于建模顺序推理模式。ChainsFormer通过采用序列式 in-context 学习来捕获RA-Chains上多跳推理的逐步性。为缓解噪声链的影响，我们提出了双曲线亲和评分机制，在可变分辨率空间中选择相关的逻辑链。此外，ChainsFormer集成了基于注意力的数值推理器，以识别关键推理路径，提高推理精度和透明度。实验结果表明，ChainsFormer在性能上显著优于最先进的方法，提升最高可达20.0%。实现代码已公开：https://github.com/zhaodazhuang2333/ChainsFormer。
引用
@article{arxiv.2504.14282,
title = {CHAINSFORMER: Numerical Reasoning on Knowledge Graphs from a Chain Perspective},
author = {Ze Zhao and Bin Lu and Xiaoying Gan and Gu Tang and Luoyi Fu and Xinbing Wang},
journal= {arXiv preprint arXiv:2504.14282},
year = {2025}
}
备注
Accepted to ICDE 2025