具有隐式逻辑约束的事态知识图复杂查询回答
计算与语言
2023-10-30 v2 计算机科学中的逻辑
摘要
使用深度学习方法查询知识图(KGs)可自然利用推理与泛化能力来学习推断更好的答案。传统的神经复杂查询回答(CQA)方法多工作于以实体为中心的知识图上。然而在现实世界中,我们还需对事件、状态和活动(即事态或情境)进行逻辑推理,以将学习系统从 System I 推向 Yoshua Bengio 所提出的 System II。从以事态为中心的知识图(EVKG)进行逻辑查询可自然地为这类直觉与逻辑推理提供参考。因此,本文提出一种新框架,利用神经方法基于 EVKG 回答复杂逻辑查询,其不仅能满足传统一阶逻辑约束,也能满足关于事态发生与顺序的隐式逻辑约束。例如,若我们知道“食物变质”发生于“PersonX 加酱油”之前,则由于隐式时间约束,“PersonX 加酱油”不太可能是“食物变质”的原因。为促进 EVKG 上的一致推理,我们提出复杂事态查询回答(CEQA),一种更严格的 CQA 定义,其考虑了支配事态时间顺序与发生的隐式逻辑约束。据此,我们提出利用定理证明器构建基准数据集,以确保答案满足隐式逻辑约束。我们还提出记忆增强查询编码(MEQE)方法,以在 CEQA 任务上显著提升最先进神经查询编码器的性能。
引用
@article{arxiv.2305.19068,
title = {Complex Query Answering on Eventuality Knowledge Graph with Implicit Logical Constraints},
author = {Jiaxin Bai and Xin Liu and Weiqi Wang and Chen Luo and Yangqiu Song},
journal= {arXiv preprint arXiv:2305.19068},
year = {2023}
}