KGCompiler：面向知识图谱复杂逻辑查询回答的深度学习编译优化
人工智能
2025-03-05 v1 软件工程
摘要
复杂逻辑查询回答（CLQA）涉及在大规模且可能不完整的知识图谱上进行复杂的多次跳跃逻辑推理。尽管现有的 CLQA 算法在回答此类查询时实现了高准确率，但其推理时间和内存使用量随着所涉及的一阶逻辑（FOL）算子数量显著增加，给实际部署带来了严峻挑战。此外，当前研究主要集中在 CLQA 任务的算法级优化，往往忽视了编译器级优化，而后者能提供更高的通用性和可扩展性。为解决这些局限，我们引入了知识图谱编译器，即 KGCompiler，这是首个专为 CLQA 任务设计的深度学习编译器。通过结合本文提出的 KG 特定优化，KGCompiler 增强了 CLQA 算法的推理性能，而无需对其实现进行额外的人工修改。同时，它显著降低了内存使用量。大量实验表明，KGCompiler 将 CLQA 算法的速度提升了 1.04 倍至 8.26 倍，平均加速比为 3.71 倍。我们还提供了一个接口以便实际体验 KGCompiler。
引用
@article{arxiv.2503.02172,
title = {KGCompiler: Deep Learning Compilation Optimization for Knowledge Graph Complex Logical Query Answering},
author = {Hongyu Lin and Haoran Luo and Hanghang Cao and Yang Liu and Shihao Gao and Kaichun Yao and Libo Zhang and Mingjie Xing and Yanjun Wu},
journal= {arXiv preprint arXiv:2503.02172},
year = {2025}
}