Sep, 2022
知识图谱逻辑推理的神经方法
Neural Methods for Logical Reasoning Over Knowledge Graphs
Alfonso Amayuelas, Shuai Zhang, Susie Xi Rao, Ce Zhang
TL;DR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。
Abstract
reasoning is a fundamental problem for computers and deeply studied in
Artificial Intelligence. In this paper, we specifically focus on answering
multi-hop logical queries on →
发现论文,激发创造
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
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
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
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
使用大型语言模型在知识图谱上进行复杂的逻辑推理
本研究提出一种基于图形提取算法和大型语言模型的解耦合语言引导抽象推理方法,将复杂的知识图推理作为上下文知识图搜索和抽象逻辑查询推理的组合,显著提高了复杂查询的性能。
May, 2023
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
图神经网络在知识图谱推理中的逻辑表现力
本文从逻辑表达式的角度对图神经网络进行了理论分析,实验结果验证了我们提出的实体标记方法的有效性,并揭示了基于标记技巧的最先进的方法为什么很有效。
Mar, 2023