在知识图谱上基于复杂逻辑查询的答案生成中的表示学习：一项综述

《ACM Computing Surveys》：Representation Learning in Complex Logical Query Answering on Knowledge Graphs: A Survey

针对知识图谱推理中复杂逻辑查询的表示学习问题，本文系统梳理了查询嵌入方法的研究现状，从查询语法、表示学习、优化策略、数据集、评估指标和模型性能六个维度构建分类体系，分析了不同方法中的查询表示学习问题，并探讨了现有方法的挑战与未来方向。

　　

摘要

回答复杂的逻辑查询是知识图谱推理中的一个基本任务。查询表示学习模型将查询和实体映射到低维空间中的嵌入向量中，这些向量通常被称为查询嵌入（Query Embeddings，简称QE）。这种方法解决了在不完整的大型知识图谱上处理复杂逻辑查询时所面临的挑战，并需要对其进行全面的调查。本文根据查询语法、表示学习方法、优化方法、数据集、评估指标和模型性能，对现有的查询嵌入方法进行了系统的综述。我们为现有的查询嵌入方法提出了一种分类体系，并探讨了这些方法在内部以及不同方法之间在查询表示学习方面存在的问题。最后，本文总结了该领域面临的挑战以及未来的研究方向。