要約
知識グラフ上で複雑な一階論理（FOL）クエリに答えることは、多段推論の基本的なタスクである。従来の記号的手法は、完全な知識グラフを走査して答えを抽出するため、各ステップの解釈が良好である。最近のニューラル手法は、複雑なクエリの幾何学的埋め込みを学習する。これらの手法は不完全な知識グラフにも一般化できるが、推論過程が解釈しにくいという問題がある。本稿では、Graph Neural Network Query Executor (GNN-QE)と呼ばれるニューロ記号モデルを提案する。このモデルは両者の利点を享受しており、GNN-QEは複雑なFOLクエリを関係射影とファジィ集合上の論理演算に分解することで、中間変数に対する解釈性を提供する。欠落リンクについて推論するために、GNN-QEは知識グラフ補完から関係射影の実行に適応したグラフニューラルネットワークを使用し、論理演算は積ファジィ論理でモデル化される。3つのデータセットでの実験結果から、GNN-QEは既存の最先端モデルよりもFOLクエリへの回答性能において大幅に向上していることが示された。さらに、GNN-QEは明示的な教師なしで答えの数を予測でき、中間変数の可視化も提供できる。以上が翻訳となります。内容や表現について何かご不明な点がありましたら、お知らせください。