面向复杂查询回答的神经-符号纠缠框架
人工智能
2022-09-20 v1 数据库
计算机科学中的逻辑
摘要
在知识图谱（KG）上回答复杂查询是一项重要却具挑战性的任务，原因在于 KG 的不完备性以及推理过程中的级联错误。近期的查询嵌入（QE）方法将 KG 中的实体与关系以及一阶逻辑（FOL）查询嵌入到低维空间，通过稠密相似度搜索来回答查询。然而，以往工作主要关注目标答案，忽视了中间实体的有用性，而后者对于缓解逻辑查询回答中的级联错误问题至关重要。此外，这些方法通常设计各自的几何或分布嵌入来处理并、交、非等逻辑算子，牺牲了基本算子——投影的准确性，且无法将其他嵌入方法吸收进自身模型。本工作中，我们提出一种用于复杂查询回答的神经与符号纠缠框架（ENeSy），使神经与符号推理相互增强，以缓解级联错误与 KG 不完备性。ENeSy 中的投影算子可以是任意具备链接预测能力的嵌入方法，而其他 FOL 算子以无参数方式处理。ENeSy 同时包含神经与符号推理结果，以集成方式回答查询。ENeSy 在多个基准上取得了 SOTA 性能，尤其是在仅以链接预测任务训练模型的设定下。
引用
@article{arxiv.2209.08779,
title = {Neural-Symbolic Entangled Framework for Complex Query Answering},
author = {Zezhong Xu and Wen Zhang and Peng Ye and Hui Chen and Huajun Chen},
journal= {arXiv preprint arXiv:2209.08779},
year = {2022}
}
备注
Paper accepted by NeurIPS2022