从全局搜索到局部查找：基于可微守卫逻辑的可扩展知识库补全

《Proceedings of the ACM on Management of Data》：From Global Search to Local Lookup: Scalable Knowledge Base Completion via Differentiable Guarded Logic

　　

摘要AI 摘要

要查看此AI生成的摘要，您必须拥有高级访问权限。

了解更多登录

摘要

摘要

最先进的知识库补全模型，从几何嵌入到图神经网络（GNN），都取得了令人印象深刻的预测性能，但它们存在一个关键局限性：它们作为黑箱运行，经常忽略数据一致性，产生的预测违反了严格的本体约束。虽然神经符号框架试图通过集成逻辑规则来弥合这一差距，但它们面临着一个难以克服的可扩展性障碍。现有方法依赖于不受保护的全称量词，需要全局搜索，导致在大规模知识库上出现组合爆炸和执行失败。在本文中，我们提出了GUARDNET，一种可微分推理框架，旨在打破这种表达力-可扩展性死锁。我们的核心贡献是利用一阶逻辑的保护片段（Guarded Fragment, GF）从根本上重构推理的计算图。我们证明，GF的句法"保护符"充当一种拓扑约束，将难以处理的全局量词转化为高效的邻域受限查找，使逻辑评估与底层图结构严格对齐。对于稀疏知识库，这种范式转变消除了困扰传统神经符号系统的二次型grounding开销，将复杂度降低到与边数成线性关系，同时不牺牲复杂推理所需的语义表达能力。这种构造是数据库理论中受保护追迹（guarded chase）的可微分对应物：保护原子充当索引，将grounding限制在现有元组中，继承受保护的元组生成依赖（guarded tuple-generating dependencies）的PTIME数据复杂度。在多达377K概念的基准测试中，实验表明GUARDNET是第一个能够扩展到如此大规模知识库的神经符号框架，在神经符号和概率基线方法72小时内无法收敛的情况下取得成功，同时在准确性和一致性方面显著优于最先进的几何嵌入和GNN模型。我们在https://doi.org/10.5281/zenodo.21809118发布了代码，以支持可重复性和未来研究。

AI 摘要

AI生成的摘要（实验性）

此摘要使用自动化工具生成，并非由文章作者撰写或审核。它旨在支持发现、帮助读者评估相关性，并协助来自相邻研究领域的读者理解该工作。它旨在补充作者提供的摘要，后者仍然是论文的主要摘要。完整文章仍然是权威的正式版本。点击此处了解更多信息。

点击此处对此摘要的准确性、清晰度和实用性发表评论。这样做将有助于改进和未来的重新生成版本。

要查看此AI生成的通俗语言摘要，您必须拥有高级访问权限。