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

如需查看此 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

目前最先进的知识库补全模型，从几何嵌入到图神经网络（GNN），都取得了令人瞩目的预测性能，但它们存在一个关键局限：这些模型如同黑箱，往往忽视数据一致性，所产生的预测结果会违反严格的本体论约束。虽然神经符号框架试图通过整合逻辑规则来弥合这一差距，但它们面临着难以克服的可扩展性障碍。现有方法依赖无约束的全称量化，要求进行全局搜索，这导致组合爆炸并在大规模知识库上引发执行失败。在本文中，我们提出了 GUARDNET——一种可微推理框架，旨在打破这种表达力与可扩展性之间的死锁。我们的核心贡献是利用一阶逻辑的守卫片段（Guarded Fragment, GF），从根本上重构推理的计算图。我们证明，GF 的句法"守卫"充当了一种拓扑约束，将难以处理的全局量化转化为高效的邻域受限查找，从而严格地将逻辑求值与底层图结构对齐。对于稀疏知识库，这种范式转变消除了传统神经符号系统所苦受的二阶 grounding（实例化）开销，在保留复杂推理所需语义表达力的前提下，将复杂度降低至与边数成线性关系。该构造是数据库理论中守卫 chase 的可微对应物：守卫原子充当索引，将 grounding 限定在已有元组上，从而继承了守卫元组生成依赖（guarded tuple-generating dependencies）的 PTIME 数据复杂度。在包含多达 37.7 万个概念的基准测试实验表明，GUARDNET 是首个可扩展至此规模知识库的神经符号框架；在神经符号与概率基线方法于 72 小时内均无法收敛的情况下取得了成功，同时在准确率与一致性两方面显著超越了最先进的几何嵌入和 GNN 模型。我们在 https://doi.org/10.5281/zenodo.21809118 公开了代码，以支持可复现性与后续研究。

AI 摘要

AI 生成摘要（实验性）

本摘要由自动化工具生成，未经本文作者撰写或审阅。其提供目的是支持论文检索发现、帮助读者评估相关性，并协助相邻研究领域的读者理解该工作。它旨在作为作者提供的摘要的补充，后者仍是论文的主要概述。全文仍为权威的正式记录版本。点击此处了解更多。

点击此处，对本摘要的准确性、清晰度与实用性发表评论。您的反馈将有助于改进和优化未来重新生成的版本。

如需查看此 AI 生成的通俗语言摘要，您必须拥有高级访问权限。