借助上下文感知查询表示学习提升知识图谱中多跳逻辑推理能力

知识图谱上的多跳逻辑推理是自然语言处理中的关键任务，诸多方法旨在回答一阶逻辑（FOL）查询。最近的几何（如箱体、锥形）和概率（如 beta 分布）方法有效地解决了复杂的 FOL 查询。然而，这些方法面临一个共同挑战，即确定这些查询的准确几何边界或概率参数。挑战源于现有方法依赖于计算图中的线性顺序操作，忽略了查询的逻辑结构以及从查询关系中可获取的关系引发信息，即我们称之为查询的上下文。为此，我们提出一种模型无关的方法，通过充分整合 FOL 查询图的上下文来增强现有多跳逻辑推理方法的有效性。我们的方案区别于（1）查询结构固有的结构上下文和（2）每个查询图节点独特的关系引发上下文，即如查询对应的知识图中所述。这一双重上下文范式有助于查询图中的节点在多跳推理步骤中获得更精细的内部表示。通过在两个数据集上的实验，我们的方法在三个多跳推理基础模型上均实现了性能提升，提升幅度最高可达 19.5%。我们的代码已公开于 https://github.com/kjh9503/caqr。