Mar, 2023

神经图推理：复杂的逻辑查询与图数据库相遇

PDF
TL;DR本文综述了复杂逻辑查询应答（CLQA）的最新技术，提出了神经图数据库（NGDB）的概念，介绍了其与传统图数据库的不同之处，并探讨了其未来的研究方向。
complex logical query answeringgraph machine learningneural graph databasesmulti-hop logical reasoninggraph modalities
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 使用一次传递推理的逻辑信息传递网络在原子公式上

    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。

    Jan, 2023

  • NQE: 超关系知识图谱复杂查询答案的 N 元查询嵌入

    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

  • 任意知识图谱上的零样本逻辑查询推理

    UltraQuery 是一个基于归纳推理模型，可以在任何知识图谱上零样本回答逻辑查询，具有竞争性或更好的查询性能，并且在 14 个数据集上取得了新的技术水平。

    Apr, 2024

  • 利用逻辑编程和语言模型回答知识图谱中的问题

    本文提出了一种利用经典逻辑编程语言来装备大型语言模型（LLMs）的方法，以在知识图谱（KG）上回答自然语言问题，从而提供可解释性解决方案。作者使用 MetaQA 数据集证明了该方法的有效性。

    Mar, 2023

  • 针对文本逻辑推理的话语感知图网络

    本文提出了逻辑结构约束建模的方法，通过引入针对命题单元的蕴涵或矛盾关系而非实体关系的逻辑结构来解决基于逻辑推理的问题回答任务，使用基于语篇的图网络实现了逻辑图构建和逻辑特征学习，并将基础特征与高级逻辑特征相结合，实现文本编码器的答案预测，实验结果证明该方法在三个文本逻辑推理数据集上效果显著，并且具有未见过逻辑文本的普适性。

    Jul, 2022