Modeling Relational Patterns for Logical Query Answering over Knowledge Graphs

要約

ナレッジグラフ（kg）を介した一次論理（fol）クエリに答えることは、主にkg不完全性のために挑戦的なタスクのままです。
クエリの埋め込みは、エンティティ、関係、および論理クエリの低次元ベクトル表現を計算することにより、この問題にアプローチします。
KGSは、対称性や構成などのリレーショナルパターンを示し、パターンのモデリングは、クエリ埋め込みモデルのパフォーマンスをさらに向上させることができます。
ただし、クエリの埋め込みモデルによるフォルクエリに答える際のそのようなパターンの役割は、文献ではまだ研究されていません。
この論文では、この研究のギャップを埋め、学習関係パターンを可能にする誘導バイアスを導入することにより、パターンの推論を備えたフォルクエリの推論を強化します。
この目的のために、複雑な空間での回転によりクエリ領域を幾何学的なコーンと代数クエリ演算子として定義する新しいクエリ埋め込み方法Roconeを開発します。
Roconeは、クエリの埋め込みのための適切に指定された幾何学的表現としてのコーンの利点と、パターン推論のための強力な代数操作としての回転演算子を組み合わせています。
いくつかのベンチマークデータセットでの実験結果は、論理クエリ応答タスクを強化するためのリレーショナルパターンの利点を確認します。

要約(オリジナル)

Answering first-order logical (FOL) queries over knowledge graphs (KG) remains a challenging task mainly due to KG incompleteness. Query embedding approaches this problem by computing the low-dimensional vector representations of entities, relations, and logical queries. KGs exhibit relational patterns such as symmetry and composition and modeling the patterns can further enhance the performance of query embedding models. However, the role of such patterns in answering FOL queries by query embedding models has not been yet studied in the literature. In this paper, we fill in this research gap and empower FOL queries reasoning with pattern inference by introducing an inductive bias that allows for learning relation patterns. To this end, we develop a novel query embedding method, RoConE, that defines query regions as geometric cones and algebraic query operators by rotations in complex space. RoConE combines the advantages of Cone as a well-specified geometric representation for query embedding, and also the rotation operator as a powerful algebraic operation for pattern inference. Our experimental results on several benchmark datasets confirm the advantage of relational patterns for enhancing logical query answering task.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google