Query2GMM：基于高斯混合模型的知识图谱推理表示学习

知识图谱（KGs）上的逻辑查询回答是一项基础而复杂的任务。一种有前景的方法是将查询与实体联合嵌入到同一嵌入空间中。该方向的研究表明，由于多跳查询的组合性质以及关系潜在语义的多样性，单个查询可能包含多个不相交的答案子集，因此使用多模态分布来表示答案实体比单模态分布更合适。然而，现有基于多模态分布的方法粗略地表示每个子集而未捕捉其准确基数，甚至因缺乏有效的相似性度量而在推理过程中退化为单模态分布学习。为更好地建模具有多样化答案的查询，我们提出Query2GMM用于回答知识图谱上的逻辑查询。在Query2GMM中，我们提出GMM嵌入，使用单变量高斯混合模型（GMM）表示每个查询。查询的每个子集由其基数、语义中心和离散程度编码，从而实现多个子集的精确表示。随后我们为每个算子设计特定的神经网络以处理多模态分布带来的固有复杂性，同时缓解级联误差。最后，我们设计一种新的相似性度量来评估实体与查询多答案子集之间的关系，实现有效的多模态分布学习以用于推理。综合实验结果表明，Query2GMM以绝对平均$6.35\%$的优势优于最佳对比方法。