Query2Triple：面向知识图谱上多样复杂查询统一查询编码的方法
人工智能
2025-09-30 v2
摘要
复杂查询回答（CQA）是知识图谱（KG）的一项挑战性任务。由于KG的不完备性，查询嵌入（QE）方法被提出将查询和实体编码到同一嵌入空间中，并将逻辑算子视为神经集合算子以获取答案。然而，这些方法在简单（单跳）和复杂（多跳和逻辑）查询上同时训练KG嵌入和神经集合算子，导致在简单查询上性能下降且训练效率低下。在本文中，我们提出Query to Triple（Q2T），一种将简单和复杂查询训练解耦的新方法。Q2T将训练分为两个阶段：（1）在简单查询上预训练神经链接预测器，基于头实体和关系预测尾实体。（2）在复杂查询上训练查询编码器，将多样复杂查询编码为统一的三元组形式，可由预训练的神经链接预测器高效求解。我们提出的Q2T不仅训练高效，而且模块化，因此易于适配已被充分研究的各种神经链接预测器。大量实验表明，即使不显式建模神经集合算子，Q2T在三个公开基准的多样复杂查询上仍达到了最先进性能。
引用
@article{arxiv.2310.11246,
title = {Query2Triple: Unified Query Encoding for Answering Diverse Complex Queries over Knowledge Graphs},
author = {Yao Xu and Shizhu He and Cunguang Wang and Li Cai and Kang Liu and Jun Zhao},
journal= {arXiv preprint arXiv:2310.11246},
year = {2025}
}
备注
Accepted by EMNLP 2023 findings