Query2Box: Schließen über Wissensgraphen im Vektorraum unter Verwendung von Box-Embeddings

Das Beantworten komplexer logischer Abfragen auf großen und unvollständigen Wissensgraphen (KGs) ist eine grundlegende, jedoch herausfordernde Aufgabe. Kürzlich wurde ein vielversprechender Ansatz zu diesem Problem vorgeschlagen, bei dem sowohl die Entitäten des Wissensgraphen als auch die Abfrage in einen Vektorraum eingebettet werden, sodass die Entitäten, die die Abfrage beantworten, nahe der Abfrage eingebettet sind. Allerdings modellieren frühere Arbeiten Abfragen als einzelne Punkte im Vektorraum, was problematisch ist, da eine komplexe Abfrage ein potenziell großes Set von Antwortentitäten repräsentiert, aber es unklar ist, wie dieses Set als ein einzelner Punkt dargestellt werden kann. Darüber hinaus können bisherige Arbeiten nur Abfragen mit Konjunktionen ($\wedge$) und Existenzquantoren ($\exists$) verarbeiten. Die Verarbeitung von Abfragen mit logischen Disjunktionen ($\vee$) bleibt ein offenes Problem.Hier stellen wir query2box vor, einen embeddings-basierten Rahmen für das Schließen über beliebige Abfragen mit $\wedge$, $\vee$ und $\exists$ Operatoren in massiven und unvollständigen Wissensgraphen. Unser zentraler Einblick besteht darin, dass Abfragen als Boxen (d.h., Hyperrechtecke) eingebettet werden können, wobei eine Menge von Punkten innerhalb der Box einer Menge von Antwortentitäten der Abfrage entspricht. Wir zeigen, dass Konjunktionen natürlich als Schnittmengen von Boxen dargestellt werden können und beweisen auch ein negatives Ergebnis: Die Verarbeitung von Disjunktionen würde eine Einbettung erfordern, deren Dimension proportional zur Anzahl der Wissensgraph-Entitäten ist. Dennoch zeigen wir, dass durch die Transformation von Abfragen in eine disjunktive Normalform query2box in der Lage ist, beliebige logische Abfragen mit $\wedge$, $\vee$ und $\exists$ skalierbar zu verarbeiten. Wir demonstrieren die Effektivität von query2box anhand dreier großer Wissensgraphen und zeigen, dass query2box bis zu 25 % relative Verbesserung gegenüber dem aktuellen Stand der Technik erreicht.