知识图谱上的推理任务

tips：

两个竖线是欧氏距离

1. Reasoning over Knowledge Graphs

我们应该如何回答KG上的path query问题呢？
如果图是complete的话，那么我们只需要沿query plan直接traverse（遍历）KG就可以。根据关系直接遍历知识图谱就可以解决。

但由于KG是incomplete的，所以如果仅traverse KG，可能会缺失一些关系，从而无法找到全部作为答案的实体。

我们可能很直觉地会想，那能不能直接先用KG补全技术，将KG补全为completed (probabilistic) KG，然后再traverse KG？
但这样不行，KG被补全后就会是一个稠密图，因为KG补全后很多关系存在的概率都非0，所以KG上会有很多关系，在traverse时要过的边太多，其复杂度与路径长度 L 呈指数增长。

因此我们就需要进行预测任务：predictive queries
目标：在incomplete KG上回答path-based queries
我们希望这一方法能够回答任意查询问题，同时隐式地impute或补全KG，实现对KG中缺失信息和噪音的鲁棒性。

2. Answering Predictive Queries on Knowledge Graphs

核心思想：嵌入query
相当于把TransE1 泛化到multi-hop reasoning任务上

可以训练TransE来优化KG补全目标函数。
因为TransE天然可以处理composition relations，所以也能处理path queries，在隐空间通过叠加relation嵌入来表示多跳。

对于conjunctive queries，如果是complete的话，那么我们只需要沿query plan直接traverse，但是对于incomplete的话，我们希望通过嵌入方法来隐式impute KG中缺失的关系，此外我们还需要定义在隐空间的intersection操作。

3.Query2box: Reasoning over KGs Using Box Embeddings

        1.box embeddings

用 hyper-rectangles (boxes) 来建模query：q =(Center(q),Offset(q)),在理想状态下，一个box里包含了所有query的回答的实体。

        2.key insight: intersection

box就是组合之后还是box，就很好定义节点集的intersection。

对于center：

wi就是神经网络训练出来的self score，中心就是几个box的中心的加权和，谁的权重高，就偏向于谁。

对于offset

f 是一个含可训练参数的神经网络，提取input boxes的表示向量以增强表示能力

通过定义intersection operator，现在我们可以完成使用box embedding沿query plan的求解

        3.entity-to-box distance

盒内距离权重小，加上盒外距离，再取个相反数得到score function  fq(v)

disjunction：析取

conjunctive：合取

conjunctive queries + disjunction叫AND-OR queries。在任意查询上的union操作必须要高维嵌入。就像异或问题，不能用一条直线完全分割，这个也会出现不能用一个盒子包含conjunctive queries

4.disjunctive normal form (DNF)析取范式

对于析取范式的距离就是众多q中最小的一个，直观上理解就是只要有一个最近的答案就可以满足query

嵌入AND-OR query，分别嵌入q1至qm计算distance的最小值，取个负数，得到score。

训练过程：

抽样的query是由query template实例化后得到的，query template可以看出query的抽象。我的理解是从answer遍历relation反向创立query，这样把整个kg遍历一遍，一定能得到答案集合，但是我不理解这是怎么推出隐边的，可能是在抽样的时候可以是没有连接，认为他有这条边，然后去算得分去确定是否存在这条边。