AAAINov, 2022

NQE: 超关系知识图谱复杂查询答案的 N 元查询嵌入

PDF
TL;DR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。
发现论文，激发创造
  • 知识图谱上的复杂查询回答的顺序查询编码

    本文提出了顺序查询编码 (SQE) 来替代 CQA 的查询编码方法，并证明了在 FB15k、FB15k-237 和 NELL 等数据集上，SQE 在处理逻辑查询时表现优异。

    Feb, 2023

  • 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

  • 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

  • 知识图谱逻辑查询的神经符号模型

    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

  • 利用隐式逻辑限制在事件性知识图谱上进行复杂查询回答

    本文研究基于事件中心知识图谱的深度神经网络复杂查询方法，提出了复杂事件查询回答（CEQA）框架，利用定理证明器填补实体中心查询系统无法推理的逻辑不确定性，实现了在具有时间维度的事件中心知识图谱上的准确推理。

    May, 2023

  • 超关联知识图谱的基数估计

    本研究旨在通过构建多样化和无偏见的超关系查询集，综合调查超关系知识图上的查询基数估计问题，并提出一种新颖的附加限定词图神经网络（GNN）模型，该模型能够有效地将限定词信息整合，并自适应地合并多个 GNN 层的输出，以准确预测查询基数。实验证明，所提出的超关系查询编码器在多样化和无偏见的基准测试上优于所有现有的超关系知识图上的查询基数估计方法。

    May, 2024

  • 提升超关系知识图谱补全

    该研究提出了一种用于高度关联知识图谱 (HKGs) 补全的方法，该方法引入了两个新修订：一是用轻量级实体 / 关系嵌入处理技术替换计算量大的图神经网络模块以提高计算效率；二是增加一个定向于合格证的辅助训练任务以提高该方法的预测能力，并且该方法在三个基准数据集上的实验中始终优于 STARE，计算效率显著提高。

    Apr, 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

  • 基于事实树推理的知识图谱 N 元问答

    提出了一种基于事实树的推理框架，通过将问题转换为事实树并在上面进行迭代性的事实推理来预测正确的答案，这种方法在解答 n 元事实问题上具有高精度。

    Aug, 2021