用于知识图谱复杂逻辑查询回答的高效指令解析插件
人工智能
2024-10-29 v1
摘要
知识图谱查询嵌入（KGQE）旨在将一阶逻辑（FOL）查询嵌入到低维KG空间中，以便在不完整的KG上进行复杂推理。为了增强KGQE模型的泛化能力，近期的研究整合了各种外部信息（如实体类型和关系上下文），以更好地捕捉FOL查询的逻辑语义。整个过程通常被称为查询模式学习（QPL）。然而，当前的QPL方法通常存在模式-实体对齐偏差问题，导致学习到的有缺陷的查询模式限制了KGQE模型的性能。为了解决这个问题，我们提出了一种高效的查询指令解析插件（QIPP），该插件利用预训练语言模型（PLM）的上下文感知能力，从类代码查询指令中捕捉潜在的查询模式。与以往QPL方法引入的外部信息不同，我们首先提出使用类代码指令以替代格式表达FOL查询。该格式利用文本变量和嵌套元组传达FOL查询内的逻辑语义，作为基于PLM的指令编码器获取完整查询模式的原料。在此基础上，我们设计了一个查询引导的指令解码器，以使查询模式适应KGQE模型。为了进一步提升QIPP在各种KGQE模型中的有效性，我们提出了一种基于压缩优化边界和自适应归一化组件的查询模式注入机制，使KGQE模型能够更高效地利用查询模式。大量实验表明，我们的即插即用方法提升了八种基础KGQE模型的性能，并优于两种最先进的QPL方法。
引用
@article{arxiv.2410.20321,
title = {Effective Instruction Parsing Plugin for Complex Logical Query Answering on Knowledge Graphs},
author = {Xingrui Zhuo and Jiapu Wang and Gongqing Wu and Shirui Pan and Xindong Wu},
journal= {arXiv preprint arXiv:2410.20321},
year = {2024}
}