从全局搜索到局部查找：通过可微守护逻辑实现可扩展的知识库补全

《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，均取得了令人瞩目的预测性能，但存在一个关键局限性：它们作为黑箱运作，常常忽视数据一致性，产生违反严格本体约束的预测。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，但它们面临着一个难以逾越的可扩展性障碍。现有方法依赖于不受约束的全称量词化，要求进行全局搜索，导致在大规模知识库上出现组合爆炸和执行失败。本文提出了 GUARDNET，一个可微推理框架，旨在打破这种表达能力与可扩展性之间的僵局。我们的核心贡献是利用一阶逻辑的受保护片段（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"（guard）作为一种拓扑约束，将难以处理的全局量词化转化为高效的局部受限查找，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方实例化开销，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。这一构造是数据库理论中受保护追逐（guarded chase）的可微对应物：保护原子作为索引，将实例化限制在已有元组上，继承了受保护元组生成依赖的 PTIME 数据复杂度。在包含多达 377K 个概念的基准测试中，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模型 72 小时内无法收敛的地方取得了成功，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图神经网络模型。我们在 https://doi.org/10.5281/zenodo.21809118 发布代码以支持可重复性和未来研究。

AI 摘要

AI 生成摘要（实验性）

此摘要由自动化工具生成，未经本文作者撰写或审阅。它旨在支持文献发现，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。它旨在补充作者提供的摘要，后者仍是论文的主要摘要。全文仍为权威记录版本。 点击此处了解更多。

点击 此处 对此摘要的准确性、清晰度和实用性进行评论。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。