香港科技大学博士论文提出知识图谱推理的创新方法，包括Query2Particles、Sequential Query Encoding等，有效提升复杂查询应答与逻辑假设生成能力。
原文标题：【HKUST博士论文】知识图谱推理的进展：复杂查询应答与逻辑假设生成的创新方法
原文作者：数据派THU
冷月清谈：
怜星夜思：
2、文章中提到Number Reasoning Network将知识图谱推理扩展到包含数值属性的情形，在实际应用中，引入数值推理会带来哪些新的挑战和机遇？
3、文章提出RLF-KG方法，利用强化学习生成逻辑假设来解释知识图谱中的观测数据，能否举例说明这种方法在实际中是如何应用的，以及它相比传统方法有哪些优势？
原文内容
来源：专知本文约1000字，建议阅读5分钟我们提出了 Query2Particles，这是一种新颖的基于粒子的嵌入方法，能够有效捕捉复杂查询中分布式的答案集合，优于传统的向量表示方式。
在知识图谱推理中，复杂逻辑查询应答是一项核心挑战，它要求在不完整的数据集上高效处理多跳关系与逻辑操作。本文通过一系列创新性贡献，推动了该领域在效率、适用范围和实际应用能力方面的全面进展。我们提出了 Query2Particles，这是一种新颖的基于粒子的嵌入方法，能够有效捕捉复杂查询中分布式的答案集合，优于传统的向量表示方式。为了优化查询处理过程，我们引入了 Sequential Query Encoding（顺序查询编码） 方法，将计算图转化为序列形式，在保持结构与语义完整性的同时提升了执行效率。
针对数值数据的融合问题，我们设计了 Number Reasoning Network（数值推理网络），将知识图谱推理从实体关系扩展到包含数值属性的情形，为实际知识库应用迈出了关键一步。在面向时间与事件推理的任务中，我们提出了 Memory-Enhanced Query Encoding（记忆增强查询编码） 方法，专为事件性知识图谱设计，能够整合隐式的时间和逻辑约束，从而实现对事件序列的精准推理。
在实际应用层面，我们设计了 Logical Session Graph Transformer（逻辑会话图转换器），用于解析推荐系统中跨会话的用户意图，展示了所提方法在真实场景中的有效性。此外，我们首创了 RLF-KG，一种基于强化学习的溯因推理方法，用于生成复杂的逻辑假设以解释知识图谱中的观测数据。
在多个基准数据集上的实证评估表明，我们的方法在多种推理任务中均达到了最新的性能水平。综上所述，这些贡献为复杂查询应答与逻辑假设生成提供了强大而通用的解决方案，显著推动了知识图谱推理的理论发展与实际应用。
