【ICML2022】知识图谱上逻辑查询的神经符号模型

在知识图谱上回答复杂一阶逻辑(FOL)查询是多跳推理的基础任务。传统的符号方法遍历完整的知识图谱来提取答案，为每一步提供了良好的解释。最近的神经方法学习复杂查询的几何嵌入。这些方法可以推广到不完整的知识图谱，但其推理过程难以解释。在本文中，我们提出了图神经网络查询执行器(GNNQE)，这是一种神经符号模型，它兼有这两种方法的优点。GNN-QE将一个复杂的FOL查询分解为模糊集上的关系投影和逻辑运算，为中间变量提供了可解释性。为了对缺失环节进行推理，GNN-QE采用知识图谱补全的图神经网络来执行关系投影，并用产品模糊逻辑对逻辑操作进行建模。在3个数据集上的广泛实验表明，GNN-QE在回答FOL查询方面比以前的最先进的模型有显著的改进。同时，GNN-QE可以在没有明确监督的情况下预测答案的数量，并对中间变量提供可视化。