从全局搜索到局部查找：基于可微有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

当前最先进的知识库补全模型，从几何嵌入到图神经网络，都取得了令人印象深刻的预测性能，但共享一个关键局限：它们作为黑箱运行，往往忽视数据一致性，产生的预测违反严格的本体约束。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，但它们面临着难以逾越的可扩展性壁垒。现有方法依赖于无防护的全称量词，要求全局搜索，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，一个可微推理框架，旨在打破这一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保护片段（GF）从根本上重构推理的计算图。我们证明，GF的语法"保护"充当拓扑约束，将不可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量基化开销，在保持复杂推理所需的语义表达力的同时，将复杂度降至边数的线性级别。这一构造是数据库理论中保护追逐的可微对应：保护原子充当索引，将基化限制在现有元组上，继承了保护元组生成依赖的PTIME数据复杂度。在包含多达377K概念的基准测试上的实验表明，GUARDNET是首个可扩展至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成功运行，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公开了代码以支持可复现性和未来研究。

AI 摘要

AI生成的摘要（实验性）

本摘要使用自动化工具生成，并非由文章作者撰写或审核。它旨在辅助发现、帮助读者评估相关性，并帮助相邻研究领域的读者理解该工作。它用于补充作者提供的摘要，作者摘要仍为论文的主要概述。完整文章仍为权威版本记录。点击此处了解更多。

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

要查看此AI生成的简明语言摘要，您必须拥有高级访问权限。