DAGE: DAG Query Answering via Relational Combinator with Logical Constraints

要約

クエリに答えるにはクエリをサブクエリに分割する必要があるため、ナレッジ グラフを介してクエリに対する答えを予測することは、複雑な推論タスクと呼ばれます。
既存のクエリ埋め込みメソッドは、この分解を使用して、サブクエリの埋め込みの組み合わせとしてクエリの埋め込みを計算します。
この要件は、応答可能なクエリを、単一の自由変数を持ち、分解可能なクエリに制限します。これはツリー形式クエリと呼ばれ、$\mathcal{SROI}^-$ 記述ロジックに対応します。
この論文では、DAG クエリと呼ばれ、$\mathcal{ALCOIR}$ 記述ロジックで定式化された、より一般的なクエリのセットを定義し、DAGE と呼ばれるそれらのクエリ埋め込み手法と、クエリ埋め込みを評価するための新しいベンチマークを提案します。
彼ら。
DAG クエリの計算グラフを考慮すると、DAGE は、関係の交差を表すトレーニング可能な演算子を使用して、2 つのノード間のおそらく複数のパスを 1 つのパスに結合し、トートロジーから DAG-DL を学習します。
既存のクエリ埋め込み手法に加えて DAGE を実装できることを示し、提案したベンチマークの DAG クエリに近似するツリー形式のクエリで評価したバニラ手法の結果と比較した手法の改善を経験的に測定します。

要約(オリジナル)

Predicting answers to queries over knowledge graphs is called a complex reasoning task because answering a query requires subdividing it into subqueries. Existing query embedding methods use this decomposition to compute the embedding of a query as the combination of the embedding of the subqueries. This requirement limits the answerable queries to queries having a single free variable and being decomposable, which are called tree-form queries and correspond to the $\mathcal{SROI}^-$ description logic. In this paper, we define a more general set of queries, called DAG queries and formulated in the $\mathcal{ALCOIR}$ description logic, propose a query embedding method for them, called DAGE, and a new benchmark to evaluate query embeddings on them. Given the computational graph of a DAG query, DAGE combines the possibly multiple paths between two nodes into a single path with a trainable operator that represents the intersection of relations and learns DAG-DL from tautologies. We show that it is possible to implement DAGE on top of existing query embedding methods, and we empirically measure the improvement of our method over the results of vanilla methods evaluated in tree-form queries that approximate the DAG queries of our proposed benchmark.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google