摘要
人工智能领域的一个基本问题是在知识图谱（Knowledge Graph, KG）所捕获的事实基础上进行复杂的多步逻辑推理。这一问题具有挑战性，因为知识图谱可能非常庞大且不完整。近期的方法通过将知识图谱中的实体嵌入低维空间，然后利用这些嵌入来查找答案实体。然而，如何处理任意一阶逻辑（First-Order Logic, FOL）查询仍然是一个突出的难题，现有的方法仅限于支持部分FOL操作符。特别是，否定操作符尚未得到支持。现有方法的另一个局限性在于它们无法自然地建模不确定性。本文介绍了一种名为BetaE的概率嵌入框架，用于回答知识图谱上的任意FOL查询。BetaE是首个能够处理完整的一阶逻辑操作集的方法，包括合取（$\wedge$）、析取（$\vee$）和否定（$\neg$）。BetaE的关键思想是使用具有有界支持的概率分布，具体来说是贝塔分布，并将查询/实体嵌入为分布形式，从而能够忠实地建模不确定性。逻辑运算通过在嵌入空间中对概率嵌入应用神经运算符来完成。我们在三个大型、不完整的知识图谱上展示了BetaE在回答任意FOL查询方面的性能表现。尽管更为通用，BetaE相比目前只能处理不含否定的合取查询的知识图谱推理方法，在相对性能上提升了高达25.4%。