摘要
逻辑多跳查询解答在知识图谱(KG)上可以被视为查询，假设隐含的完整性。当前的研究主要集中在存在性一阶逻辑(EFO)查询，这些查询包含合取、析取和否定运算符。大多数现有工作采用传导推理，无法对训练期间未见过的实体进行推理。在现实世界中，资源稀缺，我们无法用大型KG的所有节点训练模型。因此，我们提出了InductWave，一种基于小波的归纳嵌入方法，用于在大型KG上进行逻辑查询解答。这里，训练图的节点数量少于测试图。
我们的模型在消息传递层数减少一半的情况下，与基线模型表现相当。在大多数情况下，它的表现优于所有基线模型，且仅使用75%的层数。这种较少的资源需求使我们能够在大规模图上评估InductWave，例如Wiki-KG。我们在FB15k-237数据集上进行了广泛的实验，测试模型在不同训练-测试图比例下的表现，并与最新的模型进行了比较。模型的代码和数据集可在GitHub上获得。
博主点评： InductWave通过引入小波变换方法，在知识图谱的查询解答中实现了更高效的归纳推理。这一创新不仅减少了资源消耗，还提高了模型在大规模数据集上的适用性，展现了知识图谱应用的新潜力。将来，如何进一步优化这一方法以处理更复杂的查询，将是一个值得关注的方向。