論文の概要: Fuzzy Logic based Logical Query Answering on Knowledge Graph
- arxiv url: http://arxiv.org/abs/2108.02390v1
- Date: Thu, 5 Aug 2021 05:54:00 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-06 23:29:37.686049
- Title: Fuzzy Logic based Logical Query Answering on Knowledge Graph
- Title(参考訳): 知識グラフを用いたファジィ論理に基づく論理クエリ応答
- Authors: Xuelu Chen, Ziniu Hu, Yizhou Sun
- Abstract要約: 本稿では,FOLクエリをKG上で応答するファジィ論理ベースのクエリ埋め込みフレームワークFuzzQEを提案する。
ファジィQEはファジィ論理に従い、原理的かつ学習的な方法で論理演算子を定義する。
2つのベンチマークデータセットの実験では、FOLクエリに対するFzzQEのパフォーマンスが大幅に向上している。
- 参考スコア(独自算出の注目度): 37.039516386710716
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Answering complex First-Order Logical (FOL) queries on large-scale incomplete
knowledge graphs (KGs) is an important yet challenging task. Recent advances
embed logical queries and KG entities in the vector space and conduct query
answering via dense similarity search. However, most of the designed logical
operators in existing works do not satisfy the axiomatic system of classical
logic. Moreover, these logical operators are parameterized so that they require
a large number of complex FOL queries as training data, which are often arduous
or even inaccessible to collect in most real-world KGs. In this paper, we
present FuzzQE, a fuzzy logic based query embedding framework for answering FOL
queries over KGs. FuzzQE follows fuzzy logic to define logical operators in a
principled and learning free manner. Extensive experiments on two benchmark
datasets demonstrate that FuzzQE achieves significantly better performance in
answering FOL queries compared to the state-of-the-art methods. In addition,
FuzzQE trained with only KG link prediction without any complex queries can
achieve comparable performance with the systems trained with all FOL queries.
- Abstract(参考訳): 大規模不完全知識グラフ(KG)上での複雑な一階論理(FOL)クエリの解答は重要な課題である。
近年、ベクトル空間に論理クエリとkgエンティティを埋め込み、高密度類似性探索によるクエリ応答を行う。
しかし、既存の作品で設計された論理演算子のほとんどは古典論理の公理系を満たしていない。
さらに、これらの論理演算子は、多くの複雑なFOLクエリをトレーニングデータとして必要とするようにパラメータ化されている。
本稿では,FOLクエリをKG上で応答するファジィ論理ベースのクエリ埋め込みフレームワークFuzzQEを提案する。
FuzzQEはファジィ論理に従って論理演算子を原理的かつ学習的な方法で定義する。
2つのベンチマークデータセットに対する大規模な実験により、FuzzQEは最先端の手法に比べてFOLクエリの応答性能が大幅に向上していることが示された。
さらに、複雑なクエリなしでKGリンク予測のみをトレーニングしたFuzzQEは、すべてのFOLクエリでトレーニングされたシステムと同等のパフォーマンスを達成できる。
関連論文リスト
- FedCQA: Answering Complex Queries on Multi-Source Knowledge Graphs via
Federated Learning [55.02512821257247]
複雑な論理的問合せ応答は知識グラフ(KG)の課題である
近年、KGエンティティを埋め込みベクトルに表現し、KGからの論理的クエリに対する回答を求める手法が提案されている。
マルチソースKGのクエリにどのように答えるかは、まだ不明である。
論文 参考訳(メタデータ) (2024-02-22T14:57:44Z) - Query Structure Modeling for Inductive Logical Reasoning Over Knowledge
Graphs [67.043747188954]
KGに対する帰納的論理的推論のための構造モデル付きテキスト符号化フレームワークを提案する。
線形化されたクエリ構造とエンティティを、事前訓練された言語モデルを使ってエンコードして、回答を見つける。
2つの帰納的論理推論データセットと3つの帰納的推論データセットについて実験を行った。
論文 参考訳(メタデータ) (2023-05-23T01:25:29Z) - Complex Logical Reasoning over Knowledge Graphs using Large Language
Models [10.056167107654089]
知識グラフ(KG)に対する推論は、エンティティ間の関係を深く理解する必要がある課題である。
現在のアプローチは、論理的なクエリ操作のために、ベクトル空間にエンティティを埋め込むための学習ジオメトリに依存している。
本稿では,文脈的KG探索と論理的クエリ推論を組み合わせた複雑なKG推論を定式化する,言語誘導型知識グラフによる抽象推論(LARK)を提案する。
論文 参考訳(メタデータ) (2023-05-02T02:21:49Z) - LogicRec: Recommendation with Users' Logical Requirements [29.892669049903034]
ユーザの論理的要件(LogicRec)で推奨問題を定式化する。
論理的要求検索とユーザ嗜好検索に基づくLogicRecの初期解を提案する。
論文 参考訳(メタデータ) (2023-04-23T18:46:58Z) - Rethinking Complex Queries on Knowledge Graphs with Neural Link
Predictors [65.56849255423866]
本稿では,証明可能な推論能力を備えた複雑なクエリを用いたエンドツーエンド学習を支援するニューラルシンボリック手法を提案する。
これまでに検討されていない10種類の新しいクエリを含む新しいデータセットを開発する。
提案手法は,新しいデータセットにおいて先行手法を著しく上回り,既存データセットにおける先行手法を同時に上回っている。
論文 参考訳(メタデータ) (2023-04-14T11:35:35Z) - Logical Message Passing Networks with One-hop Inference on Atomic
Formulas [57.47174363091452]
本稿では,ニューラルネットワーク演算子から知識グラフの埋め込みを分解する,複雑な問合せ応答のためのフレームワークを提案する。
クエリグラフの上に、局所的な原子式上のワンホップ推論とグローバル論理的推論を結びつける論理メッセージパッシングニューラルネットワーク(LMPNN)を提案する。
我々のアプローチは、最先端のニューラルCQAモデルをもたらす。
論文 参考訳(メタデータ) (2023-01-21T02:34:06Z) - Neural Methods for Logical Reasoning Over Knowledge Graphs [14.941769519278745]
知識グラフ(KGs)上でのマルチホップ論理的クエリの応答に焦点をあてる。
これまでのほとんどの作業では、FOL(First-Order Logical)クエリを完全に受け入れるモデルを作成することができなかった。
本稿では,ニューラルネットワークを用いて一点ベクトル埋め込みを生成し,問合せに答えるモデルを提案する。
論文 参考訳(メタデータ) (2022-09-28T23:10:09Z) - Neural-Symbolic Entangled Framework for Complex Query Answering [22.663509971491138]
複雑な問合せ応答のためのニューラル・アンド・エンタングルド・フレームワーク(ENeSy)を提案する。
これにより、ニューラルネットワークとシンボリック推論が互いに強化され、カスケードエラーとKGの不完全性が軽減される。
ENeSyは、特にリンク予測タスクのみでトレーニングモデルの設定において、いくつかのベンチマークでSOTA性能を達成する。
論文 参考訳(メタデータ) (2022-09-19T06:07:10Z) - Query2Particles: Knowledge Graph Reasoning with Particle Embeddings [49.64006979045662]
本稿では,知識グラフにエッジを欠いた複雑な論理的クエリに応答するクエリ埋め込み手法を提案する。
回答エンティティは、エンティティの埋め込みとクエリの埋め込みの類似性に応じて選択される。
埋め込み空間上の様々な領域から多様な回答を検索するために,複雑なKGクエリ応答方法Q2Pを提案する。
論文 参考訳(メタデータ) (2022-04-27T11:16:08Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。