Query2Particles：基于粒子嵌入的知识图谱推理
计算与语言
2022-04-28 v1
摘要
在缺失边的不完整知识图谱（KGs）上回答复杂逻辑查询是知识图谱推理的一项基础且重要的任务。查询嵌入方法被提出，通过将查询和实体联合编码到同一嵌入空间来回答这些查询，然后根据实体嵌入与查询嵌入之间的相似度选择答案实体。由于复杂查询的答案是通过对子查询进行逻辑运算组合得到的，答案实体的嵌入在嵌入空间中可能并不总是遵循单模态分布。因此，使用单一且集中的查询表示（如向量或超矩形）从嵌入空间中同时检索一组多样化的答案具有挑战性。为更好地处理具有多样化答案的查询，我们提出了 Query2Particles (Q2P)，一种复杂的 KG 查询回答方法。Q2P 将每个查询编码为多个向量，称为粒子嵌入。通过这种方式，可以利用实体嵌入与任意粒子嵌入之间的最大相似度，从嵌入空间的不同区域检索候选答案。同时，定义了相应的神经逻辑运算以支持其对任意一阶逻辑查询的推理。实验表明，Query2Particles 在 FB15k、FB15K-237 和 NELL 知识图谱上的复杂查询回答任务中达到了最先进的性能。
引用
@article{arxiv.2204.12847,
title = {Query2Particles: Knowledge Graph Reasoning with Particle Embeddings},
author = {Jiaxin Bai and Zihao Wang and Hongming Zhang and Yangqiu Song},
journal= {arXiv preprint arXiv:2204.12847},
year = {2022}
}
备注
Findings of NAACL-2022