论文:Embedding Logical Queries on Knowledge Graphs
NIPS 2018的一篇论文,和上一篇论文Beta Embeddings for Multi-Hop Logical Reasoning in Knowledge Graphs是相关的文章,有完整代码
作者:William L. Hamilton, Payal Bajaj, Marinka Zitnik, Dan Jurafsky, Jure Leskovec
pdf:https://arxiv.org/abs/1806.01445
github:https://github.com/snap-stanford/KGReasoning(包含三种模型,BetaE
,Query2box
,GQE
)
0. Abstract
本文是BetaE
的初代前身,仅提供了连接逻辑查询
本文提出一种方法,将图节点嵌入到低维空间中,并将逻辑运算符表示为该嵌入空间中的几何操作(如,转换、旋转),并在低维嵌入空间执行逻辑运算,实现与查询变量呈线性的时间复杂度。
本文在两个现实世界数据集上证明了框架的实用性,包括:
药物-基因-疾病
关系预测数据集- 社交网络关系预测数据集
1. Introduction
知识图谱中预测关系的任务包括:
- 链路预测
- 推荐系统
- 知识库完成
本文采用的是预测关系任务中的重要方法:连接查询 conjunctive queries
,仅包含连接 conjunctive
和存在 existential
运算符,不包含BetaE
中的量化 quantification
、析取 disjunction
和取反 negation
运算符。
预测关系任务,采用蛮力法需要逐个预测节点间存在关系的可能性。本文提出了一种改进方法,即图查询嵌入 GQE
方法。这是一种基于嵌入的框架,可以有效地对不完整知识图上的连接查询做出预测
GQE
的原理是将图节点嵌入到低维空间中,并将逻辑运算符表示为该嵌入空间中经过学习的几何操作(如旋转、平移),训练后,可以用该模型预测哪些节点满足连接查询。该方法具有线性时间复杂度

Comments | NOTHING