超关系知识图谱上的查询嵌入

ICLRJun, 2021

Query Embedding on Hyper-relational Knowledge Graphs

Dimitrios Alivanistos, Max Berrendorf, Michael Cochez, Mikhail Galkin

TL;DR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。

Abstract

multi-hop logical reasoning is an established problem in the field of representation learning on knowledge graphs (KGs). It subsumes both one-hop link prediction as well as other more complex types of logical que

multi-hop logical reasoning knowledge graphs hyper-relational modeling paradigm graph neural networks qualifiers

发现论文，激发创造

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

提升知识图谱中多跳逻辑推理的上下文感知查询表示学习

通过全面整合 FOL 查询图的上下文，我们提出了一种模型不可知的方法，增强了现有的多跳逻辑推理方法，在两个数据集上的实验中，我们的方法始终提升了三个多跳推理基准模型的性能，最高可达 19.5%。

Jun, 2024

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

SQALER: 通过分离多步问题和逻辑推理实现问答的扩展

通过多跳推理，我们提出了一种与知识图中的关系类型数量成比例的方法，具有出色的可扩展性，可以用于实现多项元 QA 数据集的目的，并实现了更具挑战性的 WebQuestionsSP 的最新技术水平。

Oct, 2021

学习超关系知识图谱的表示

本文介绍了一个框架，它使用多个聚合器从 base triple 和 qualifiers 两个角度来学习超关系事实的表示，并证明了其在多个数据集上进行超关系知识图完整性的有效性。

Aug, 2022

关系图卷积神经网络用于多跳推理的比较研究

本文旨在探索多站点问答任务的 RGCN 模型、图形关系和节点嵌入，并在 WikiHop 数据集上经验性地探讨每个关系、节点类型和嵌入对多站点 QA 性能的影响。

Oct, 2022

基于知识图谱逻辑查询的自监督双曲线表示

本文介绍了利用 Hyperboloid Embeddings 学习知识图谱表示的自监督逻辑查询推理方法，并将其应用于真实世界数据集和异常检测任务中，取得了显著的性能提升。

Dec, 2020

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

知识图谱中的归纳逻辑查询回答

研究使用图神经网络的归纳节点和关系结构表征方法对知识图谱中的新实体进行逻辑推理的方法，并实验发现归纳模型能够在推理时间内对未见节点进行推理，同时可以推广至训练天数 500％大的图表，表现出较高效率和效果平衡的特点。

Oct, 2022

基于多跳关系推理实现可扩展的知识感知问答

本论文提出了一种新颖的知识感知方法，将预训练语言模型与多跳关系推理模块相结合，对外部知识图谱子图进行多跳关系推理。该方法统一了基于路径的推理方法和图神经网络，提高了可解释性和可伸缩性，并在常识问答和开放式书面问答数据集上证明了其有效性和可伸缩性，并通过案例研究进行了解释。

May, 2020