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