本文提出了一种名为 GNN-QE 的神经符号模型,用于回答复杂的一阶逻辑查询,在解决神经方法推理难以解释的问题的同时,取得了较显著的实验成果。
May, 2022
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
本文提出了一种新的 n 元查询嵌入模型(NQE)用于超关系知识图上的复杂查询答案,包括存在量化器、合取、析取和否定,并提出一种新的 CQA 数据集(WD50K-NFOL),实验证明其是超关系知识图上最先进的 CQA 方法。
Nov, 2022
我们提出了一个用于回答不完整知识图谱上任意合取查询的框架,该方法通过无限树状查询的系列来近似循环查询,并利用现有模型进行近似处理。经验证明,我们的近似策略取得了有竞争力的结果,并且包含存在量词变量的查询倾向于改善这些模型的整体性能,无论是对树状查询还是对我们的近似策略。
Oct, 2023
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
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
我们提出了一个名为 Pro-QE 的查询感知提示融合框架,它可以通过上下文信息聚合来融合现有查询嵌入方法并处理新出现实体的嵌入问题。实验证明我们的模型成功地处理了逻辑查询中的未知实体问题。
Mar, 2024
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
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
提出一个基于神经符号学习的 KG 推理模型,通过结合 KG 嵌入和规则学习模块来实现语义关联的增强和解释能力的提高,实验表明这一模型在神经符号学习方面表现优异。
Dec, 2021