面向复杂查询应答的基于类型的神经链接预测适配器

在不完整知识图谱上回答复杂逻辑查询是多跳推理中一项基础且具有挑战性的任务。近期工作将此任务定义为一个端到端优化问题，通过预训练的链接预测器进行查询应答，显著降低了训练成本并增强了模型的泛化能力。然而，大多数现有方案忽略了知识图谱中固有的关键语义知识，例如类型信息，这些信息有助于回答复杂逻辑查询。为此，我们提出了基于类型的神经链接预测适配器（TENLPA），这是一种新颖的模型，它通过利用知识图谱中的类型信息构建基于类型的实体-关系图，以发现实体与关系之间的潜在联系。同时，为了有效地将类型信息与复杂逻辑查询相结合，我们引入了一种自适应学习机制，该机制在复杂查询应答过程中通过反向传播进行训练，以实现对神经链接预测器的自适应调整。在 3 个标准数据集上的实验表明，TENLPA 模型在复杂查询应答任务上达到了最先进的性能，并具有良好的泛化能力和鲁棒性。