ConE：用于知识图谱多跳推理的锥嵌入
人工智能
2021-12-23 v2 计算与语言
摘要
查询嵌入（QE）——旨在将实体和一阶逻辑（FOL）查询嵌入低维空间——在知识图谱的多跳推理中显示出强大的能力。最近，用几何形状嵌入实体和查询成为一个有前景的方向，因为几何形状可以自然地表示查询的答案集及其逻辑关系。然而，现有的基于几何的模型难以处理带有否定的查询，这极大地限制了它们的适用性。为了应对这一挑战，我们提出了一种新颖的查询嵌入模型，即锥嵌入（ConE），这是第一个能够处理所有FOL操作（包括合取、析取和否定）的基于几何的QE模型。具体来说，ConE将实体和查询表示为二维锥的笛卡尔积，其中锥的交集和并集自然地模拟了合取和析取操作。通过进一步注意到锥的补集的闭包仍然是锥，我们在嵌入空间中设计了用于否定操作的几何补算子。实验表明，ConE在基准数据集上显著优于现有最先进方法。
引用
@article{arxiv.2110.13715,
title = {ConE: Cone Embeddings for Multi-Hop Reasoning over Knowledge Graphs},
author = {Zhanqiu Zhang and Jie Wang and Jiajun Chen and Shuiwang Ji and Feng Wu},
journal= {arXiv preprint arXiv:2110.13715},
year = {2021}
}
备注
Accepted to NeurIPS 2021