【ICML2022】知识图谱上逻辑查询的神经符号模型

在知识图谱上回答复杂一阶逻辑(FOL)查询是多跳推理的基础任务。传统的符号方法遍历完整的知识图谱来提取答案，为每一步提供了良好的解释。最近的神经方法学习复杂查询的几何嵌入。这些方法可以推广到不完整的知识图谱，但其推理过程难以解释。在本文中，我们提出了图神经网络查询执行器(GNNQE)，这是一种神经符号模型，它兼有这两种方法的优点。GNN-QE将一个复杂的FOL查询分解为模糊集上的关系投影和逻辑运算，为中间变量提供了可解释性。为了对缺失环节进行推理，GNN-QE采用知识图谱补全的图神经网络来执行关系投影，并用产品模糊逻辑对逻辑操作进行建模。在3个数据集上的广泛实验表明，GNN-QE在回答FOL查询方面比以前的最先进的模型有显著的改进。同时，GNN-QE可以在没有明确监督的情况下预测答案的数量，并对中间变量提供可视化。

专知便捷查看

便捷下载，请关注专知公众号（点击上方蓝色专知关注）

• 后台回复“LQKG” 就可以获取《【ICML2022】知识图谱上逻辑查询的神经符号模型》专知下载链接

专知，专业可信的人工智能知识分发 ，让认知协作更快更好！欢迎注册登录专知www.zhuanzhi.ai，获取70000+AI(AI与军事、医药、公安等)主题干货知识资料！

欢迎微信扫一扫加入专知人工智能知识星球群，获取最新AI专业干货知识教程资料和与专家交流咨询！

点击“ 阅读原文 ”，了解使用 专知 ，查看获取70000+AI主题知识资料