知识图谱-多跳推理问答-模型-2020：Query2box【Query可以嵌入盒子(即hyper-rectangles),在盒子里面一个点集对应于一组回答查询的实体】

u013250861

已于 2024-02-14 22:24:04 修改

阅读量338

点赞数

分类专栏：知识图谱（Knowledge Graph）文章标签：知识图谱人工智能

于 2022-12-30 11:25:08 首次发布

本文链接：https://blog.csdn.net/u013250861/article/details/128493206

版权

知识图谱（Knowledge Graph）专栏收录该内容

77 篇文章 55 订阅 ¥19.90 ¥99.00

订阅专栏

超级会员免费看

Query2box是一种解决大规模不完整知识图谱复杂逻辑查询的方法，它将查询建模为向量空间中的超矩形，使得实体集合能对应一组答案。该模型能处理合取、存在量词的查询，通过转换为析取范式，可扩展地处理任意逻辑查询，相比现有技术有显著提升。

摘要由CSDN通过智能技术生成

Query2box官网

对大规模不完整知识图进行复杂的逻辑查询是一项基本而又具有挑战性的任务。最近，解决这个问题的一种很有前景的方法是将KG实体和查询嵌入到向量空间中，这样回答查询的实体就嵌入到查询附近。然而，之前的工作将查询建模为向量空间中的单个点，这是有问题的，因为一个复杂的查询表示它的答案实体是一个潜在的大集合，但将这个集合表示为单个点是不太清楚的。此外，之前的工作只能处理使用合取(∧)和存在量词(∃)的查询。用析取(∨)处理查询仍然是一个问题。这里我们提出QUERY2BOX, 将基于嵌入的框架推理使用在在任意查询∧,∨,∃不完整的知识图谱上。我们的主要观点是,查询可以嵌入盒子(即hyper-rectangles),在盒子里面一个点集对应于一组回答查询的实体。我们表明，连词可以自然地表示为盒的交集，并证明了一个负面结果，即处理析取将需要嵌入与KG实体数量成比例的维度。然而，我们证明，通过将查询转换为析取范式，QUERY2BOX能够以可扩展的方式处理任意∧，∨，∃逻辑查询。我们演示了query2box的有效性，并显示query2box比目前的技术水平有高达25%的相对改进。