NQE：面向超关系知识图上复杂查询回答的 N 元查询嵌入
人工智能
2023-10-17 v3
摘要
复杂查询回答（CQA）是知识图（KG）上多跳与逻辑推理的一项基本任务。目前，大多数方法局限于二元关系事实之间的查询，较少关注包含两个以上实体的 n 元事实（n≥2），而这类事实在现实世界中更为普遍。此外，以往的 CQA 方法只能针对少数给定类型的查询进行预测，无法灵活扩展到更复杂的逻辑查询，这显著限制了其应用。为克服这些挑战，本文提出一种新颖的 N 元查询嵌入（NQE）模型，用于超关系知识图（HKG）上的 CQA，HKG 包含大量 n 元事实。NQE 利用双异构 Transformer 编码器与模糊逻辑理论来满足所有 n 元一阶逻辑（FOL）查询，包括存在量词、合取、析取与否定。我们还提出一种并行处理算法，可在单个批次中训练或预测任意 n 元 FOL 查询，而不论各查询的类型如何，具有良好的灵活性与可扩展性。此外，我们生成了一个新的 CQA 数据集 WD50K-NFOL，包含 WD50K 上多样的 n 元 FOL 查询。在 WD50K-NFOL 及其他标准 CQA 数据集上的实验结果表明，NQE 是 HKG 上最先进的 CQA 方法，且具有优良的泛化能力。我们的代码与数据集已公开可用。
引用
@article{arxiv.2211.13469,
title = {NQE: N-ary Query Embedding for Complex Query Answering over Hyper-Relational Knowledge Graphs},
author = {Haoran Luo and Haihong E and Yuhao Yang and Gengxian Zhou and Yikai Guo and Tianyu Yao and Zichen Tang and Xueyuan Lin and Kaiyang Wan},
journal= {arXiv preprint arXiv:2211.13469},
year = {2023}
}
备注
Accepted by AAAI 2023