机构名称：
¥ 1.0
在知识图上回答复杂的逻辑查询（kgs）是一项基本而又具有挑战性的任务。最近，查询代表是复杂逻辑推理的主流方法，使目标答案和查询在嵌入空间中更加近。但是，仍然存在两个限制。首先，先验方法将查询模型为固定向量，但忽略了KGS上关系的不确定性。实际上，不同的关系可能包含不同的语义分布。第二，传统表示框架无法捕获查询和答案的联合分布，可以通过有可能产生更连贯答案的生成模型来学习。为了减轻这些局限性，我们提出了一个名为diffclr的新型生成模型，该模型利用了差异模型的复杂逻辑推理来近似查询分布。具体来说，我们首先设计了一个查询转换，通过动态构造上下文子图将逻辑查询转换为输入序列。然后，我们将它们集成到扩散模型中以执行多步生成过程，并进一步设计了结构增强的自我专业，以范围内构成了KGS中体现的结构特征。两个基准数据集的实验结果显示了我们的模型有效地执行最新方法，尤其是在具有显着改进的多跳链查询中。
用于复杂逻辑推理的生成模型在知识图上
主要关键词
相关文件推荐
