一个模型，任意合取查询：基于图神经网络的不完整知识图谱查询回答

受现代知识图谱不完整性的启发，一种新的查询回答设定应运而生，其目标是预测不一定出现在知识图谱中但存在于其补全中的答案。在本文中，我们正式引入并研究了两个查询回答问题，即查询回答分类和查询回答检索。为了解决这些问题，我们提出了 AnyCQ，一个能够对任意知识图谱上的任意合取查询的答案进行分类的模型。我们框架的核心是一个使用强化学习目标训练以回答布尔查询的图神经网络。AnyCQ 仅在简单、小规模的实例上进行训练，即可泛化到任意结构的大型查询，能够可靠地对现有方法无法处理的查询进行分类和检索答案。这一点通过我们新提出的具有挑战性的基准得到了实验验证。最后，我们通过实验表明，当配备适当的链路预测模型时，AnyCQ 能够有效迁移到全新的知识图谱，突显了其在查询不完整数据方面的潜力。