Modèles neuronaux-symboliques pour les requêtes logiques sur les graphes de connaissances

Répondre à des requêtes complexes de logique du premier ordre (FOL) sur des graphes de connaissances est une tâche fondamentale pour le raisonnement multi-étapes. Les méthodes symboliques traditionnelles parcourent un graphe de connaissances complet pour extraire les réponses, ce qui offre une bonne interprétation à chaque étape. Les méthodes neuronales récentes apprennent des plongements géométriques pour des requêtes complexes. Ces méthodes peuvent se généraliser aux graphes de connaissances incomplets, mais leur processus de raisonnement est difficile à interpréter. Dans cet article, nous proposons Graph Neural Network Query Executor (GNN-QE), un modèle neuro-symbolique qui bénéficie des avantages des deux approches. GNN-QE décompose une requête FOL complexe en projections relationnelles et opérations logiques sur des ensembles flous, ce qui fournit une interprétabilité pour les variables intermédiaires. Pour raisonner sur les liens manquants, GNN-QE adapte un réseau neuronal de graphe issu du complétion de graphes de connaissances pour exécuter les projections relationnelles, et modélise les opérations logiques avec la logique floue produit. Les expériences menées sur 3 jeux de données montrent que GNN-QE améliore considérablement les modèles précédents d'état de l'art dans la réponse aux requêtes FOL. En outre, GNN-QE peut prédire le nombre de réponses sans supervision explicite et fournir des visualisations pour les variables intermédiaires.