Jul, 2023

基于 EFO_k 的 CQA：超越集合操作的知识图谱复杂查询响应

PDF
TL;DR为了回答知识图谱上的复杂查询，我们提出了一个综合框架，涵盖了存在性一阶查询的组合空间，并构建了一个 dataset 进行评估。我们的结果揭示了查询难度对结果的影响，并强调了现有数据集构建过程中的系统偏见对查询 - 回答方法的适当发展的重要性。
knowledge graphslogical reasoninglearning-based methodsdata generationquery-answering methods
发现论文，激发创造
  • 基于知识图谱的复杂查询回答的组合泛化能力基准测试

    本文提出 EFO-1-QA 数据集，包含 301 种不同的查询类型用于评估目前复杂查询回答 (CQA) 学习模型的组合泛化能力，并提供可能影响查询泛化能力的不同操作系统和形式的分析和评估。

    Sep, 2021

  • 知识图谱上存在性一阶查询的推理

    这篇论文通过系统检视问题之前的范围并提出一个新的数据集，讨论了同时出现的新挑战，并提出了一种模糊逻辑理论的新搜索算法，以解决新的公式并在现有公式中胜过以前的方法。

    Apr, 2023

  • 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

  • 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

  • 知识图谱上复杂查询应答的元算子

    该研究提出了一种基于学习的复杂查询回答模型，通过学习有限数据中的元操作符，并将其应用于不同实例的操作符以处理不完整的知识图中的复杂查询，从而提高模型的泛化能力。结果表明学习元操作符比学习原始 CQA 或元 CQA 模型更有效。

    Mar, 2024

  • 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

  • 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

  • 通过查询计算树优化在知识图谱上回答复杂逻辑查询

    QTO is an efficient method for optimizing query computation trees in knowledge graphs, which achieves state-of-the-art performance and can interpret intermediate solutions with high accuracy.

    Dec, 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

  • FC-KBQA：一种基于精细到粗糙组合的知识库问答框架

    本文提出了一种基于精细到粗粒度组合的 KBQA 框架 (FC-KBQA)，它通过从 KB 中提取相关的细粒度的知识组件并将其重新构成中粒度的知识对，以实现逻辑表达式的泛化能力和可执行性。实验证明，FC-KBQA 在 GrailQA 和 WebQSP 上都有最先进的性能表现，并且比基线系统运行速度快 4 倍。

    Jun, 2023