使用一次传递推理的逻辑信息传递网络在原子公式上

ICLRJan, 2023

使用一次传递推理的逻辑信息传递网络在原子公式上

Logical Message Passing Networks with One-hop Inference on Atomic Formulas

Zihao Wang, Yangqiu Song, Ginny Y. Wong, Simon See

TL;DR我们提出了一种简单的复杂查询方法，通过将复杂查询表示为查询图并使用逻辑信息传递神经网络，将知识图谱嵌入分解为本地推理和全局推理，实现了对各种类型的查询的复杂推理和新的最先进的神经查询应答模型。

Abstract

complex query answering (CQA) over knowledge graphs (KGs) has attracted a lot of attention to potentially support many applications. Given that KGs are usually incomplete, neural models are proposed to answer the

complex query answering knowledge graphs neural set operators logical message passing neural network query graph

发现论文，激发创造

复杂查询回答的条件逻辑消息传递变形器

该论文提出了一种名为 “条件逻辑消息传递转换器” 的新型神经网络模型，通过使用预训练的神经链接预测器来在常量和变量之间进行条件性的消息传递，并通过自注意机制显式建模各个元素之间的逻辑依赖关系，从而降低计算成本并实现了新的领先的神经网络复杂查询回答模型。

Feb, 2024

知识图谱上的复杂问答消息传递

本文提出了一种基于无监督消息传递的复杂知识图谱问答方法，通过识别问题类型，并在图结构中传递置信度分数来进行答案实体的定位和聚合，其在 LC-QuAD 基准测试中表现优于现有方法，具有较高的实现效率和通用性。

Aug, 2019

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

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

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

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

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

针对知识图谱的归纳逻辑推理的查询结构建模

本文提出了一种基于文本编码的结构模型框架，用于在知识图谱上进行归纳逻辑推理，通过设计渐进式的指令和额外的注意力和 maxout 层来增强结构建模，成功处理了复杂查询的逻辑结构，提高了在归纳和转导数据集上的推理效率。

May, 2023

基于神经链接预测器的复杂查询回答

本文提出了一种基于神经链接预测器的框架，用于在含有缺失边的知识图谱上高效地回答复杂查询，并分别分析了梯度下降和组合搜索两种最优化问题的解决方案。通过使用数个数量级较少的训练数据，相对于先前的方法获得了更高的交叉验证效果，在多个包含事实信息的知识图谱中，提高了 8% 到 40% 的 Hits@3 指标，并可以解释模型的结果。

Nov, 2020