神经图推理:满足图数据库的复杂逻辑查询回答

复杂逻辑查询回答(CLQA)是图机器学习中最近出现的一项任务，它超越了简单的单跳链路预测，解决了在潜在空间中大量可能不完整的图上进行多跳逻辑推理的更复杂任务。该任务在社区中获得了显著的关注;大量工作沿着理论和实践的坐标轴扩展了该领域，以高效的系统处理不同类型的复杂查询和图模态。文中从图类型(模态、推理领域、背景语义)、建模方面(编码器、处理器、解码器)、查询支持(操作符、模式、投影变量)、数据集、评估指标和应用等多个角度对CLQA进行了全面的综述和详细的分类。在改进CLQA任务的同时，引入了神经图数据库(NGDBs)的概念。NGDB扩展了图数据库(graph DBs)的思想，由神经图存储和神经图引擎组成。在神经图存储中，我们设计了一个图存储，一个特征存储，并使用编码器在潜在嵌入存储中进一步嵌入信息。给定一个查询，神经查询引擎学习如何执行查询规划和执行，以便通过与神经图存储交互有效地检索正确的结果。与传统的图数据库相比，NGDBs允许使用嵌入存储对不同模态的特征进行灵活和统一的建模。此外，当图是不完整的时，它们可以提供正常图数据库无法恢复的健壮的答案检索。最后，指出了NGDB未来的研究方向、存在的问题和应用前景。