ACLApr, 2022

Query2Particles: 利用粒子嵌入进行知识图谱推理

PDF
TL;DR提出了一种基于 Query2Particles 的知识图谱复杂查询答案方法，使用多向量编码并通过神经逻辑操作支持任意一阶逻辑查询，在三个知识图谱上实现了最好的表现。
knowledge graphquery answeringentity embeddingneural logic operationsquery2particles
发现论文，激发创造
  • 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

  • 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

  • Query2Triple: 统一查询编码以回答知识图谱上的多样复杂查询

    通过将训练分为两个阶段，分别在简单查询和复杂查询上进行训练，我们提出了一种名为 Q2T 的新方法，通过预测尾部实体来进行简单查询的预训练，并在复杂查询上训练查询编码器，将不同的复杂查询编码为统一的三元组形式，从而在不需要显式建模神经集合运算符的情况下，在三个公共基准测试上实现了最先进的性能。

    Oct, 2023

  • 用于复杂查询答案的神经符号纠缠框架

    提出了一种神经符号交织的（ENeSy）复杂查询答案框架，该框架能够在神经和符号推理结果的基础上分别回答和集成查询，通过压缩和整合基本运算符和链接预测提高了复杂查询的效果，并应用于多项基准测试。

    Sep, 2022

  • 在几何代数中的知识图谱嵌入

    本论文提出了一种基于几何代数的知识图谱嵌入框架 GeomE，利用多向量表示和几何积模拟实体和关系，具有对称、反对称、逆序和复合等多种关系模式，具有良好的泛化能力，能在多个基准知识图谱上优于现有的最先进模型，适用于链接预测。

    Oct, 2020

  • 用于复杂查询回答的逻辑嵌入

    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。

    Feb, 2021

  • 联邦复杂查询回答

    利用联邦学习在多源知识图谱上进行复杂查询回答任务，避免敏感原始数据传输以保护隐私。

    Feb, 2024

  • 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

  • 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

  • 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