초록
지식 그래프에서 복잡한 일차 논리(FOL) 쿼리를 처리하는 것은 다단계 추론을 위한 기본적인 작업입니다. 전통적인 기호 방법은 완전한 지식 그래프를 순회하여 답변을 추출하며, 이는 각 단계에 대한 좋은 해석성을 제공합니다. 최근의 신경망 방법은 복잡한 쿼리에 대해 기하학적 임베딩을 학습합니다. 이러한 방법들은 불완전한 지식 그래프에도 일반화될 수 있지만, 그 추론 과정은 해석하기 어려운 면이 있습니다. 본 논문에서는 두 세계의 장점을 모두 누릴 수 있는 신경-기호 모델인 Graph Neural Network Query Executor (GNN-QE)를 제안합니다. GNN-QE는 복잡한 FOL 쿼리를 퍼지 집합 위에서의 관계 투영과 논리 연산으로 분해하여 중간 변수에 대한 해석성을 제공합니다. 결손 링크에 대해 추론하기 위해 GNN-QE는 지식 그래프 완성에서 관계 투영을 수행하도록 그래프 신경망을 적응시키고, 논리 연산은 곱셈 퍼지 논리로 모델링합니다. 3개의 데이터셋에서 수행된 실험 결과, GNN-QE는 FOL 쿼리를 처리하는 데 있어 이전 최신 모델들보다 크게 개선되었음을 보여주었습니다. 또한 GNN-QE는 명시적인 감독 없이도 답변 개수를 예측할 수 있으며, 중간 변수에 대한 시각화를 제공할 수 있습니다.