NeurIPS 2021 | ConE: 针对知识图谱多跳推理的锥嵌入模型

知识图谱上多跳推理旨在从知识图谱中推理得到给定一阶逻辑查询 (first-order query, FOL) 的答案，近年来在学术界和工业界受到了广泛的关注。基于表示学习的 Query Embedding (QE) 技术在解决知识图谱上的多跳推理问题时展现出了优异的性能，而因为几何图形能够很好地建模实体 (Entity) 集合和它们之间的逻辑关系，将实体和查询 (Query) 表示为几何图形的 QE 方法也成为一个非常有前景的方向。但是，现有基于几何图形的 Query Embedding 模型难以建模所有的一阶逻辑运算，这极大地限制了这些模型的应用场景。为此，我们提出一个针对知识图谱多跳推理的锥嵌入 (Cone Embeddings) 模型 ---ConE。ConE 可以建模所有的一阶逻辑操作，并在标准评测数据集上显著超越了现有模型。

该工作题为 ConE: Cone Embeddings for Multi-hop Reasoning over Knowledge Graphs，已发表于 NeurIPS 2021。