NQE: N-ary Query Embedding for Complex Query Answering over Hyper-relational Knowledge Graphs

要約

複雑なクエリ応答 (CQA) は、ナレッジ グラフ (KG) でのマルチホップおよび論理的推論に不可欠なタスクです。
現在、ほとんどのアプローチは 2 項関係ファクト間のクエリに限定されており、実世界でより普及している 3 つ以上のエンティティを含む n 項ファクト (n>=2) にはあまり注意を払っていません。
さらに、以前の CQA メソッドは、いくつかの特定のタイプのクエリに対してのみ予測を行うことができ、より複雑な論理クエリに柔軟に拡張することはできず、アプリケーションが大幅に制限されます。
これらの課題を克服するために、この作業では、大規模な n-ary ファクトを含むハイパーリレーショナル ナレッジ グラフ (HKG) に対する CQA の新しい N-ary クエリ埋め込み (NQE) モデルを提案します。
NQE は、デュアルヘテロジニアス Transformer エンコーダーとファジー論理理論を利用して、存在量指定子、論理積、論理和、否定を含むすべての n-ary FOL クエリを満たします。
また、各クエリの種類に関係なく、単一のバッチで任意の n-ary FOL クエリをトレーニングまたは予測できる、優れた柔軟性と拡張性を備えた並列処理アルゴリズムを提案します。
さらに、WD50K を超える多様な n 項 FOL クエリを含む、新しい CQA データセット WD50K-NFOL を生成します。
WD50K-NFOL およびその他の標準的な CQA データセットに関する実験結果は、NQE が優れた一般化機能を備えた HKG を超える最先端の CQA メソッドであることを示しています。
私たちのコードとデータセットは公開されています。

要約(オリジナル)

Complex query answering (CQA) is an essential task for multi-hop and logical reasoning on knowledge graphs (KGs). Currently, most approaches are limited to queries among binary relational facts and pay less attention to n-ary facts (n>=2) containing more than two entities, which are more prevalent in the real world. Moreover, previous CQA methods can only make predictions for a few given types of queries and cannot be flexibly extended to more complex logical queries, which significantly limits their applications. To overcome these challenges, in this work, we propose a novel N-ary Query Embedding (NQE) model for CQA over hyper-relational knowledge graphs (HKGs), which include massive n-ary facts. The NQE utilizes a dual-heterogeneous Transformer encoder and fuzzy logic theory to satisfy all n-ary FOL queries, including existential quantifiers, conjunction, disjunction, and negation. We also propose a parallel processing algorithm that can train or predict arbitrary n-ary FOL queries in a single batch, regardless of the kind of each query, with good flexibility and extensibility. In addition, we generate a new CQA dataset WD50K-NFOL, including diverse n-ary FOL queries over WD50K. Experimental results on WD50K-NFOL and other standard CQA datasets show that NQE is the state-of-the-art CQA method over HKGs with good generalization capability. Our code and dataset are publicly available.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google