神经可扩展符号搜索框架用于多自由变量的复杂逻辑查询

复杂查询答复（CQA）是知识图谱（KG）上不完整知识的基本知识表示与推理任务。回答包含 $k$ 个自由变量的存在一阶查询（即 $\text{EFO}_k$ 查询）是关键且具有挑战性的问题，因为它需要对 $\mathcal{E}^k$ 中的答案元组进行排序，其中 $\mathcal{E}$ 表示 KG 的实体集合。随着 $k$ 的增大，这 Quickly 变得不可行。因此，现有基准和方法依赖于对单个变量的边际排序；然而，边际排序是真实元组排序的差励近似。基于神经符号搜索 $\text{EFO}_1$ 查询，我们提出了神经可扩展符号搜索（NS3），一个受预算约束的框架，用于在不枚举 $\mathcal{E}^k$ 的情况下近似联合排序。NS3 (i) 通过回答边际子查询获取必要的候选集，(ii) 将多个自由变量合并为超节点，其域由动态预算 $B$ 进行修剪和控制，(iii) 将 $\text{EFO}_k$ 查询逐步简化为预算化简域上的 $\text{EFO}_{k-1}$ 查询。在三个标准 KG 数据集上，NS3 在保持强边际准确性的同时，显著提高了联合排序性能。我们进一步发布了一个将现有 $\text{EFO}_1$ 数据集扩展到 $k=3$ 的联合排序基准，实现对多变量查询的系统评估。我们的代码提供于 https://github.com/HKUST-KnowComp/NS3_KDD2026。