Bêta-Plongements pour le Raisonnement Logique Multi-Étape dans les Graphes de Connaissances

L'un des problèmes fondamentaux de l'Intelligence Artificielle consiste à effectuer un raisonnement logique complexe et en plusieurs étapes sur les faits capturés par un graphe de connaissances (GC). Ce problème est particulièrement ardu, car les GC peuvent être massifs et incomplets. Les approches récentes plongent les entités du GC dans un espace de dimension faible, puis utilisent ces plongements pour trouver les entités répondant aux requêtes. Cependant, il reste un défi majeur de savoir comment traiter des requêtes arbitraires d'une logique du premier ordre (FOL), car les méthodes actuelles sont limitées à un sous-ensemble des opérateurs FOL. En particulier, l'opérateur de négation n'est pas pris en charge. Une autre limitation des méthodes actuelles est qu'elles ne peuvent pas modéliser naturellement l'incertitude. Nous présentons ici BetaE, un cadre de plongement probabiliste pour répondre à des requêtes FOL arbitraires sur les GC. BetaE est la première méthode capable de gérer l'ensemble complet des opérations logiques du premier ordre : conjonction ($\wedge$), disjonction ($\vee$) et négation ($\neg$). L'idée clé de BetaE est d'utiliser des distributions probabilistes à support borné, spécifiquement la distribution Beta, et de plonger les requêtes/entités en tant que distributions, ce qui permet également de modéliser fidèlement l'incertitude. Les opérations logiques sont effectuées dans l'espace de plongement par des opérateurs neuronaux sur les plongements probabilistes. Nous démontrons les performances de BetaE dans la réponse à des requêtes FOL arbitraires sur trois grands GC incomplets. Bien que plus générale, BetaE améliore également les performances relatives jusqu'à 25,4 % par rapport aux méthodes actuelles d'inférence sur GC qui ne peuvent traiter que des requêtes conjonctives sans négation.