用于复杂查询回答的逻辑嵌入

Feb, 2021

Logic Embeddings for Complex Query Answering

Francois Luus, Prithviraj Sen, Pavan Kapanipathi, Ryan Riegel, Ndivhuwo Makondo...

TL;DR该论文提出了使用 Skolemization 技术嵌入复杂查询的逻辑嵌入方法，支持否定查询、能够高效查询存在变量并优化建模、在大规模不完整知识图谱查询中快速准确，且在回答不确定性问题上提供了改进。

Abstract

Answering logical queries over incomplete knowledge bases is challenging because: 1) it calls for implicit link prediction, and 2) brute force answering of existential first-order logic queries is exponential in the number of existential variables. Recent work of query embeddings provides fast querying, but most approaches model set logic with closed regions

logic embeddings negation queries efficient querying knowledge graphs answer uncertainty

发现论文，激发创造

在知识图谱上嵌入逻辑查询

本研究提出了一种基于低维嵌入空间中的几何运算来有效处理知识图谱中逻辑查询的框架，能够在处理复杂查询时提高时间复杂度，这种方法应用于真实世界数据中能够提供有用的预测能力。

Jun, 2018

知识图谱逻辑推理的神经方法

本文介绍了一种使用神经网络来处理知识图谱上的多跳逻辑查询的方法，并展示了实验室中的卓越性能，该方法可以处理包括否定查询在内的全一阶逻辑查询。

Sep, 2022

知识图谱中的多次逻辑推理的 Beta 嵌入

BetaE 是一个可处理不完整的知识图谱中任意一阶逻辑查询的概率嵌入框架，使用带限制支持的概率分布，具有更多的一阶逻辑操作并可以精确建模不确定性，相对于目前仅能处理且合取查询无法处理否定的最前沿知识图推理方法，BetaE 提高了高达 25.4% 的相对性能。

Oct, 2020

知识图谱上存在性一阶查询的推理

这篇论文通过系统检视问题之前的范围并提出一个新的数据集，讨论了同时出现的新挑战，并提出了一种模糊逻辑理论的新搜索算法，以解决新的公式并在现有公式中胜过以前的方法。

Apr, 2023

超关系知识图谱上的查询嵌入

本文介绍了如何利用 Graph Neural Networks 来嵌入和回答超关系连接查询，以处理新型复杂查询，同时提出了一种提高查询效率的方法，并在实验证明 Qualifier 可以在多种查询模式下提高查询效果。

Jun, 2021

Query2box: 在向量空间中使用盒式嵌入对知识图谱进行推理

提出了一种基于嵌入的查询框架，使用矢量空间嵌入复杂逻辑查询，将查询表示为盒子并将合取作为盒子交集表示，而将极限作为在 DNF（析取正规形式）中转换后处理。

Feb, 2020

基于模糊逻辑的知识图谱逻辑查询回答

FuzzQE 采用模糊逻辑定义逻辑运算符，利用模糊的查询嵌入框架回答在知识图上的存在量化查询，比现有技术提供更好的性能。

Aug, 2021

结合逻辑推理和嵌入的知识图谱推理：调查与展望

本文综述了基于符号逻辑和基于嵌入式方法相结合的知识图谱 (KG) 推理方法的最新研究进展，并讨论了这两种方法相结合的优势、分类和挑战。

Feb, 2022

逻辑规则支持的知识图谱嵌入

该论文提出了一种新的逻辑规则增强的知识图谱嵌入方法，可以与任何基于转换的知识图谱嵌入模型（如 TransE）轻松集成。经过广泛的实验，在链接预测和三元组分类上显示出更好的性能提升。

Mar, 2019

GammaE: 基于 Gamma 的知识图谱逻辑查询嵌入

本文提出了一种新的概率嵌入模型（GammaE）来对知识图谱中的实体和查询进行编码以回答不同类型的 FOL 查询，并利用 Gamma 分布的线性性质和强边界支持来捕捉实体和查询的更多特征，GammaE 实现了 Gamma 混合方法来设计闭合联合算子，并在三个大型逻辑查询数据集上验证了 GammaE 的性能优于公共基准测试中的最新模型。

Oct, 2022