Query2GMM：使用高斯混合模型学习在知识图谱上进行推理的表示
摘要：在知识图谱上的逻辑查询回答是一项基本但复杂的任务。实现这一目标的一种有前途的方法是将查询和实体共同嵌入到相同的嵌入空间中。在这个方向上的研究表明，使用多模态分布来表示答案实体比单模态分布更合适，因为一个查询可能由于多跳查询的构成性质和关系的变化潜在语义的多样性而包含多个不相交的答案子集。然而，现有基于多模态分布的方法大致上表示每个子集，而没有捕捉到其准确的基数，甚至在推理过程中由于缺乏有效的相似度度量而退化为单模态分布学习。为了更好地对具有多样化答案的查询进行建模，我们提出了Query2GMM用于在知识图谱上回答逻辑查询。在Query2GMM中，我们提出了GMM嵌入来使用单变量高斯分布混合模型（GMM）表示每个查询。每个查询的子集由其基数、语义中心和分散程度进行编码，从而实现对多个子集的精确表示。然后，我们为每个操作符设计了特定的神经网络，以处理与多模态分布相关的内在复杂性，同时减轻级联误差。最后，我们定义了一种新的相似度度量来评估实体和查询的多答案子集之间的关系，从而实现有效的用于推理的多模态分布学习。全面的实验证明，Query2GMM在平均绝对值上优于最佳竞争对手5.5%。源代码可在url{https://anonymous.4open.science/r/Query2GMM-C42F}处获取。
作者：Yuhan Wu, Yuanyuan Xu, Wenjie Zhang, Ying Zhang
论文ID：2306.10367
分类：Information Retrieval
分类简称：cs.IR
提交时间：2023-06-21