通过知识图谱查询嵌入学习生成 $SROI^-$ 本体
人工智能
2024-08-28 v4 数据库
机器学习
计算机科学中的逻辑
摘要
查询嵌入方法通过计算和操作实体、关系和查询的低维向量表示来回答不完整知识图谱 (KG) 中的复杂逻辑查询。然而，当前的查询嵌入模型依赖于参数量大的神经网络，且无法解释从图中学习的知识。我们提出了一种新颖的查询嵌入方法 AConE，其以 描述逻辑公理的形式解释从图中学习的知识，同时参数效率高于大多数现有方法。AConE 将查询关联到 描述逻辑概念。每个 概念被嵌入为复向量空间中的锥形，而每个 关系被嵌入为旋转和缩放锥形的变换。我们在理论上表明 AConE 可以学习 公理，并定义一种其操作与 描述逻辑概念构成一一对应的代数。我们的实证研究表明，在多个查询数据集上，AConE 超过以前的基线方法取得了优异结果。值得注意的是，在 WN18RR 数据集上，AConE 在基线模型方面取得了显著的改进。我们提供了全面的分析，表明能够表示公理的能力对查询 answering 结果产生积极影响。
引用
@article{arxiv.2407.09212,
title = {Generating $SROI^-$ Ontologies via Knowledge Graph Query Embedding Learning},
author = {Yunjie He and Daniel Hernandez and Mojtaba Nayyeri and Bo Xiong and Yuqicheng Zhu and Evgeny Kharlamov and Steffen Staab},
journal= {arXiv preprint arXiv:2407.09212},
year = {2024}
}
备注
Accepted by ECAI 2024