Complex Query Answering on Eventuality Knowledge Graph with Implicit Logical Constraints

要約

深層学習アプローチを使用してナレッジ グラフ (KG) をクエリすると、推論能力と一般化能力を自然に活用して、より適切な答えを推測する方法を学習できます。
従来のニューラル複合クエリ応答 (CQA) アプローチは、主にエンティティ中心の KG で機能します。
しかし、現実の世界では、Yoshua Bengio が提案しているように、学習システムをシステム I からシステム II に推し進めるために、イベント、状態、活動 (つまり、偶発性や状況) について論理的な推論を行う必要もあります。
EVentuality 中心の KG (EVKG) から論理的にクエリを実行すると、そのような種類の直感的かつ論理的な推論への参照が自然に提供されます。
したがって、この論文では、EVKG に基づいて複雑な論理クエリに答えるためにニューラル手法を活用する新しいフレームワークを提案します。EVKG は、従来の一次論理制約だけでなく、その発生と順序に関する偶発性に対する暗黙的な論理制約も満たすことができます。
たとえば、「人物 X が醤油を追加する」前に「食べ物がまずい」が起こることがわかっている場合、暗黙的な時間的制約により、「人物 X が醤油を追加する」が「食べ物がまずい」の原因である可能性は低くなります。
EVKG に関する一貫した推論を促進するために、我々は複雑事象クエリ応答 (CEQA) を提案します。これは、事象の時間的順序と発生を支配する暗黙の論理制約を考慮した CQA のより厳密な定義です。
このようにして、ベンチマーク データセットの構築に定理証明器を活用して、答えが暗黙的な論理制約を確実に満たすことを提案します。
また、CEQA タスクにおける最先端のニューラル クエリ エンコーダのパフォーマンスを大幅に向上させるメモリ強化クエリ エンコーディング (MEQE) アプローチも提案します。

要約(オリジナル)

Querying knowledge graphs (KGs) using deep learning approaches can naturally leverage the reasoning and generalization ability to learn to infer better answers. Traditional neural complex query answering (CQA) approaches mostly work on entity-centric KGs. However, in the real world, we also need to make logical inferences about events, states, and activities (i.e., eventualities or situations) to push learning systems from System I to System II, as proposed by Yoshua Bengio. Querying logically from an EVentuality-centric KG (EVKG) can naturally provide references to such kind of intuitive and logical inference. Thus, in this paper, we propose a new framework to leverage neural methods to answer complex logical queries based on an EVKG, which can satisfy not only traditional first-order logic constraints but also implicit logical constraints over eventualities concerning their occurrences and orders. For instance, if we know that ‘Food is bad’ happens before ‘PersonX adds soy sauce’, then ‘PersonX adds soy sauce’ is unlikely to be the cause of ‘Food is bad’ due to implicit temporal constraint. To facilitate consistent reasoning on EVKGs, we propose Complex Eventuality Query Answering (CEQA), a more rigorous definition of CQA that considers the implicit logical constraints governing the temporal order and occurrence of eventualities. In this manner, we propose to leverage theorem provers for constructing benchmark datasets to ensure the answers satisfy implicit logical constraints. We also propose a Memory-Enhanced Query Encoding (MEQE) approach to significantly improve the performance of state-of-the-art neural query encoders on the CEQA task.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google