Modeling Relational Patterns for Logical Query Answering over Knowledge Graphs

要約

ナレッジ グラフ (KG) に対する一次論理 (FOL) クエリへの回答は、主に KG が不完全であるため、依然として困難なタスクです。
クエリ埋め込みは、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って、この問題に取り組みます。
KG は、対称性や構成などの関係パターンを示し、パターンをモデル化することで、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、クエリ埋め込みモデルによって FOL クエリに応答す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、関係パターンの学習を可能にする帰納的バイアスを導入することにより、パターン推論で FOL クエリ推論を強化します。
この目的のために、複雑な空間での回転によってクエリ領域を幾何学的円錐および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、クエリ埋め込みのための明確に指定された幾何学的表現としての Cone の利点と、パターン推論のための強力な代数演算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 データセットに関する実験結果は、論理的な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ています。

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