Query2box：基于盒嵌入在向量空间中对知识图谱进行推理

在大规模不完备知识图谱（KGs）上回答复杂逻辑查询是一项基础且具有挑战性的任务。近来，一种有前景的方法是将 KG 实体以及查询嵌入到向量空间中，使得回答查询的实体被嵌入到靠近查询的位置。然而，先前工作将查询建模为向量空间中的单个点，这是有问题的，因为一个复杂查询表示其答案实体的一个潜在大集合，但尚不清楚这样的集合如何能表示为单个点。此外，先前工作只能处理使用合取（$\wedge$）和存在量词（$\exists$）的查询。处理带逻辑析取（$\vee$）的查询仍是一个开放问题。本文提出 query2box，一个基于嵌入的框架，用于在大规模不完备 KGs 上推理带 $\wedge$、$\vee$ 和 $\exists$ 算子的任意查询。我们的核心见解是查询可以被嵌入为盒（即超矩形），其中盒内的一组点对应于该查询的一组答案实体。我们表明合取可以自然地表示为盒的交集，并证明了一个负面结果：处理析取将需要维度与 KG 实体数量成比例的嵌入。然而，我们展示通过将查询转换为析取范式，query2box 能够以可扩展的方式处理带 $\wedge$、$\vee$、$\exists$ 的任意逻辑查询。我们在三个大型 KG 上展示了 query2box 的有效性，并表明 query2box 相比最先进水平取得了高达 25% 的相对提升。