面向知识图谱逻辑查询的神经-符号模型
人工智能
2022-09-08 v2 机器学习
摘要
在知识图谱上回答复杂一阶逻辑（FOL）查询是多跳推理的一项基本任务。传统符号方法遍历完整的知识图谱以提取答案，并为每一步提供良好的可解释性。近期的神经方法为复杂查询学习几何嵌入。这些方法可泛化到不完整知识图谱，但其推理过程难以解释。本文提出图神经网络查询执行器（GNN-QE），一种兼具两者优势的神经-符号模型。GNN-QE 将复杂 FOL 查询分解为关系投影与模糊集上的逻辑运算，为中间变量提供可解释性。为推理缺失链接，GNN-QE 从知识图谱补全中适配图神经网络来执行关系投影，并用乘积模糊逻辑对逻辑运算建模。在 3 个数据集上的实验表明，GNN-QE 在回答 FOL 查询上显著优于先前最先进模型。同时，GNN-QE 可在无显式监督下预测答案数量，并为中间变量提供可视化。
引用
@article{arxiv.2205.10128,
title = {Neural-Symbolic Models for Logical Queries on Knowledge Graphs},
author = {Zhaocheng Zhu and Mikhail Galkin and Zuobai Zhang and Jian Tang},
journal= {arXiv preprint arXiv:2205.10128},
year = {2022}
}
备注
ICML 2022