Ricerca Simbolica Scalabile Neurale per Query Complesse su Grafi di Conoscenza
Un nuovo framework chiamato Neural Scalable Symbolic Search (NS3) affronta la sfida di rispondere a query esistenziali complesse del primo ordine con variabili libere multiple (EFO_k) su grafi di conoscenza incompleti. I metodi esistenti si basano su ranking marginali su singole variabili, che approssimano male i veri ranking congiunti delle tuple di risposta. NS3 estende la ricerca simbolica neurale dalle query EFO_1 alla gestione di k variabili libere senza enumerare l'intero insieme di entità E^k. Utilizza un approccio con budget che risponde a sotto-query marginalizzate per ottenere insiemi candidati, unisce più variabili libere in ipernodi e approssima il ranking congiunto in modo efficiente. Il framework è progettato per scalare all'aumentare di k, rendendolo adatto per grafi di conoscenza reali dove l'enumerazione esatta è intrattabile. L'articolo è pubblicato su arXiv con ID 2605.25985.
Fatti principali
- NS3 è un framework con budget per rispondere a query EFO_k su grafi di conoscenza incompleti.
- Approssima il ranking congiunto delle tuple di risposta senza enumerare E^k.
- I metodi esistenti usano ranking marginali, che sono scarse approssimazioni dei ranking congiunti.
- NS3 unisce più variabili libere in ipernodi per ridurre la complessità.
- Il framework estende la ricerca simbolica neurale dalle query EFO_1 a quelle EFO_k.
- L'articolo è disponibile su arXiv con ID 2605.25985.
- Il Complex Query Answering (CQA) è un compito fondamentale nella rappresentazione della conoscenza.
- NS3 risponde a sotto-query marginalizzate per ottenere insiemi candidati.
Entità
Istituzioni
- arXiv