面向知识超图的复杂查询答案中的 Transformer 模型
计算与语言
2025-04-24 v1 人工智能
摘要
复杂查询答案（CQA）在近年来得到广泛研究。在现实世界分布中，已引入不同模态的知识图谱以进行建模。作为由实体和二元关系组成的经典知识图谱（Triple KGs），它们在表示现实事实方面受限。现实数据更为复杂。虽然超关系图已被引入，但在表示包含等量贡献实体的可变仨性关系时存在局限性。为填补这一空白，我们采样了新的CQA数据集：JF17k-HCQA 和 M-FB15k-HCQA。每个数据集包含多种查询类型，包括投影、否定、合取和析取等逻辑运算。为回答知识超图（KHG）的存在一阶查询，我们提出了两种阶段的Transformer模型——逻辑知识超图转换器（LKHGT），其由用于原子投影的投影编码器和用于复杂逻辑运算的逻辑编码器组成。两个编码器均配备了类型感知偏置（TAB）以捕获标记间的交互。实验结果表明，LKHGT 是解决KHG上CQA问题的前沿方法，能够对超出分布的查询类型进行泛化。
关键词
引用
@article{arxiv.2504.16537,
title = {Transformers for Complex Query Answering over Knowledge Hypergraphs},
author = {Hong Ting Tsang and Zihao Wang and Yangqiu Song},
journal= {arXiv preprint arXiv:2504.16537},
year = {2025}
}