Finite Query Answering in Expressive Description Logics with Transitive Roles
University of Warsaw（华沙大学）；TU Wien（维也纳工业大学）
我们研究有限本体介导的查询回答（FOMQA）的问题，OMQA的变种，其中所代表的世界被假定为有限的，因此只考虑有限的本体模型。我们采用最典型的设置与工会的合取查询和本体表示的描述逻辑（DL）。FOMQA的研究与非可控环境相关。这不仅适用于没有有限模型属性的DL，而且适用于那些允许传递角色声明的DL。当传递角色被允许时，评估查询是具有挑战性的：FOMQA对于SHOIF是不可判定的，并且只知道对于ALCIF的Horn片段是可判定的。我们展示了FOMQA对SOIF的三个适当片段：SOI，SOF和SIF的可判定性。我们的方法是建立相关的模型来决定有限的查询蕴涵。依赖于这些模型的一定规律性，我们开发了基于自动机的决策程序与最佳复杂性的界限。
2018-08-09 cs.AI
Conjunctive Query Containment and Answering under Description Logics Constraints
查询包容和查询应答是数据库中两个重要的计算任务。虽然查询应答相当于计算数据库上的查询结果，但查询包含是检查对于每个数据库，一个查询的结果是否是另一个查询的结果的子集的问题。在本文中，我们处理联合查询，我们解决查询包含和查询回答下的描述逻辑约束。每一个这样的约束本质上是概念和关系之间的包含依赖关系，它们的表达能力是由于使用复杂表达式的可能性，例如，关系的交集和差，量化的特殊形式，二元关系上的正则表达式，依赖关系的规范。这些类型的约束捕获了各种各样的数据模型，包括关系模型、实体关系模型和面向对象模型，所有这些都扩展了各种形式的约束，并且还捕获了在语义Web上下文中使用的本体语言的基本特征。我们提出了以下结果的查询包含和查询回答。给出了描述逻辑约束下的查询包容方法，证明了该问题的可判定性，并分析了其计算复杂性。我们证明，查询包含是不可判定的情况下，我们允许在右手边的查询不等式，即使是非常简单的约束和查询。我们表明，查询回答描述逻辑约束下，可以减少到查询遏制，并说明这样的减少提供了上限结果的组合和数据的复杂性。
2005-07-28 cs.AI cs.DB
Scalable Query Answering under Uncertainty to Neuroscientific Ontological Knowledge: The NeuroLang Approach
INRIA（法国国家信息与自动化研究所）；Universidad Nacional del Sur（南方国立大学）；Institute for Computer Science and Engineering (UNS–CONICET)（计算机科学与工程研究所（南方国立大学-国家科学技术研究委员会））；Universidad de Buenos Aires（布宜诺斯艾利斯大学）；Institute for Computer Science Research (UBA–CONICET)（计算机科学研究所（布宜诺斯艾利斯大学-国家科学技术研究委员会））
神经科学的研究人员有越来越多的数据集可用于研究大脑，这是由于最近的技术进步。考虑到大脑已经被研究的程度，也有可用的本体论知识编码的当前状态的最先进的关于其不同的领域，激活模式，与研究相关的关键词等，此外，有一个固有的不确定性与大脑扫描所产生的体素-三维像素-和不同的个人大脑中的实际点之间的映射。不幸的是，目前还没有统一的框架来访问这些收集的丰富的异构数据的不确定性，使研究人员有必要依赖于特设的工具。特别是，目前的工具，试图解决这类任务的一个主要弱点是，只有非常有限的命题查询语言已开发。在本文中，我们提出了NeuroLang，本体语言与存在的规则，概率不确定性，和内置的机制，以保证在非常大的数据集上的易处理的查询回答。在介绍了语言及其通用的查询应答架构后，我们讨论了真实世界的用例，展示了NeuroLang如何应用于当前工具不足的实际场景。
2022-02-23 cs.AI
OBDA Constraints for Effective Query Answering (Extended Version)
University of Oslo（奥斯陆大学）；Free University of Bozen-Bolzano（博尔扎诺自由大学）
在基于本体的数据访问（OBDA）中，用户对位于关系数据库之上的本体提出SPARQL查询。这些查询由OBDA系统即时转换为SQL查询。OBDA中的标准SPARQL到SQL转换技术通常会生成包含冗余连接和联合的SQL查询，即使在进行了大量语义和结构优化之后也是如此。这些冗余对查询应答的性能是有害的，特别是在具有大型企业数据库的复杂工业OBDA场景中。为了解决这个问题，我们引入了两个新的概念OBDA约束，并展示了如何利用它们进行高效的查询回答。我们使用真实世界的数据和查询在大型数据集上进行了一系列广泛的实验，结果表明这些技术极大地提高了查询应答的性能。
2016-05-16 cs.AI cs.DB
Top-k Query Answering in Datalog+/- Ontologies under Subjective Reports (Technical Report)
University of Oxford（牛津大学）；Università della Calabria（卡拉布里亚大学）
在传统的数据库和基于本体的数据访问中，查询应答中使用偏好最近受到了广泛的关注，这是由于其许多现实世界的应用。在本文中，我们解决的问题，前k查询回答Datatrons +/-本体查询用户的喜好和收集（主观）报告的其他用户。在这里，每个报告都包含一系列功能的分数、作者对功能的偏好以及其他信息。然后将每个报告的这些信息片段与查询用户的偏好和他/她对每个报告的信任一起组合，以对查询结果进行排名。我们提出了两种替代这样的排名，以及这些排名下的top-k（原子）查询回答算法。我们还表明，在适当的假设下，这些算法运行在多项式时间的数据复杂度。最后，我们提出了更一般的报告，这是与套原子，而不是单个原子。
2013-11-29 cs.AI cs.DB
A Hybrid Approach to Query Answering under Expressive Datalog+/-
Oxford-Man Institute of Quantitative Finance（牛津-曼量化金融研究所）；University of Oxford（牛津大学）；Carleton University（卡尔顿大学）
Datasheet +/-是一个本体语言家族，它结合了良好的计算特性和高表达能力。Datatron +/-语言可以证明能够捕获最相关的语义Web语言。在本文中，我们考虑类弱粘性（WS）的Datasheet +/-程序，允许某些有用的形式的连接在规则机构，以及扩展著名的类弱非循环TGD。到目前为止，只有非确定性算法被用于回答WS Datasheet +/-程序上的查询。我们提出了新的确定性查询应答算法在WS Datestock +/-。我们特别建议：（1）基于查询驱动的追踪的自底向上的基础算法，以及（2）基于将WS程序变换成所谓的粘性程序的混合方法，对于该混合方法，查询重写技术是已知的。我们讨论了我们的算法可以优化和有效地应用于查询回答在现实世界中的场景。
2016-07-25 cs.AI cs.DB
Inductive Logical Query Answering in Knowledge Graphs
Mila（米拉研究所）；McGill University（麦吉尔大学）；Université de Montréal（蒙特利尔大学）；Stanford University（斯坦福大学）；HEC Montréal（蒙特利尔高等商学院）
制定和回答逻辑查询是知识图谱（KG）的标准通信接口。神经方法通过学习实体、关系和查询的表示，减轻了现实世界KG的不完整性，在链接预测和复杂查询回答任务中取得了令人印象深刻的结果。尽管如此，大多数现有的查询应答方法依赖于转换实体嵌入，并且在不重新训练实体嵌入的情况下不能推广到包含新实体的KG。在这项工作中，我们研究了归纳查询应答任务，其中推理是在一个包含新实体的图上进行的，查询既可以看到，也可以看到实体。为此，我们设计了两种机制，利用由图神经网络（GNNs）驱动的归纳节点和关系结构表示。实验表明，归纳模型能够在推理时对看不见的节点进行逻辑推理，并将其推广到比训练图大500%的图。探索效率-有效性权衡，我们发现归纳关系结构表示方法通常具有更高的性能，而归纳节点表示方法能够在仅推理的情况下回答复杂的查询，而无需对查询进行任何训练，并且可以扩展到数百万节点的图形。代码可在https://github.com/DeepGraphLearning/InductiveQE上获得。
2022-11-08 cs.AI cs.LG
Learning to Rank Query Graphs for Complex Question Answering over Knowledge Graphs
University of Bonn（波恩大学）
在本文中，我们进行了一个实证调查的神经查询图排序方法的任务复杂的问答在知识图谱。我们实验了六种不同的排名模型，并提出了一种新的基于自我注意力的插槽匹配模型，该模型利用了查询图的固有结构，我们的逻辑形式的选择。我们提出的模型一般优于其他模型的两个QA数据集上的DBpedia知识图谱，在不同的设置进行评估。此外，我们表明，从较大的QA数据集到较小的数据集的迁移学习产生了实质性的改进，有效地弥补了训练数据的普遍缺乏。
2018-11-02 cs.AI cs.LG stat.ML
Counting Still Counts: Understanding Neural Complex Query Answering Through Query Relaxation
Translational AI Laboratory, Department of Laboratory Medicine Amsterdam University Medical Center, Vrije Universiteit Amsterdam（阿姆斯特丹大学医学中心转化人工智能实验室，实验室医学系，自由大学阿姆斯特丹）；Vrije Universiteit Amsterdam（自由大学阿姆斯特丹）；University of Stuttgart（斯图加特大学）；ELLIS Institute Finland & Abo Akademi University, Turku, Finland（芬兰埃利斯研究所及图尔库芬兰阿博阿卡迪米大学）；Elsevier discovery lab, Amsterdam（埃斯勒尔发现实验室，阿姆斯特丹）
通过比较神经模型与基于查询放松的策略，研究发现两者在某些情况下表现相似，且结合两者输出可提升性能，提示需重新评估神经查询回答的进展。
2026-05-11 cs.AI cs.DB cs.LG
Modeling Relational Patterns for Logical Query Answering over Knowledge Graphs
University of Stuttgart（斯图加特大学）；Bosch Center for Artificial Intelligence（博世人工智能中心）；University of Southampton（南安普顿大学）
本文提出一种新颖的查询嵌入方法RoConE，通过在复数空间利用几何锥体和旋转算子建模关系模式，有效增强了一阶逻辑查询的回答性能。
2025-03-04 cs.AI cs.DB cs.LG
Meta Operator for Complex Query Answering on Knowledge Graphs
Tsinghua University（清华大学）；HKUST（香港科技大学）
针对知识图谱复杂查询回答，提出学习元算子而非查询类型，以有限数据提升泛化，实证优于原CQA和元CQA模型。
2024-03-15 cs.AI cs.LG cs.LO
Logic Embeddings for Complex Query Answering
IBM Research（IBM研究院）
在不完整的知识库上进行逻辑查询是具有挑战性的，因为：1）它要求隐式链接预测，以及2）存在一阶逻辑查询的蛮力应答在存在变量的数量上是指数的。近年来的查询嵌入方法提供了快速查询的能力，但大多数方法都是用封闭区域来建模集合逻辑，缺乏否定性。支持否定的查询嵌入使用的密度存在缺点：1）只能即兴发挥逻辑，2）使用昂贵的分布，3）对答案的不确定性建模不佳。在本文中，我们提出了逻辑嵌入，一种新的方法来嵌入复杂的查询，使用Skolemisation消除存在的变量进行有效的查询。它支持否定，但改进了密度方法：1）集成了研究良好的t-范数逻辑并直接评估可满足性，2）简化了真值建模，3）用真值界建模不确定性。逻辑嵌入在对大的、不完整的知识图谱的查询应答中具有竞争力的快速和准确性，在否定查询上优于否定查询，并且特别地，提供了对答案不确定性的改进的建模，如答案集大小和嵌入熵之间的优越相关性所证明的。
2021-02-28 cs.AI cs.DB cs.LG
Approximate Knowledge Graph Query Answering: From Ranking to Binary Classification
Vrije Universiteit Amsterdam（阿姆斯特丹自由大学）；University of Amsterdam（阿姆斯特丹大学）；Leiden University（莱顿大学）；Discovery Lab, Elsevier（爱思唯尔发现实验室）
大型异构数据集的特点是信息缺失甚至错误。当它们是社区努力的产物或从外部来源（如文本）自动提取事实的方法时，这一点更加明显。在知识图谱中可以看到上述现象的特殊情况，其中这主要以缺失或不正确的边和节点的形式出现。对这种不完整图的结构化查询将导致不完整的答案集，即使正确的实体存在于图中，因为匹配模式所需的一个或多个边丢失。为了克服这个问题，已经提出了几种近似结构化查询应答算法。受现代信息检索度量的启发，这些算法产生图中所有实体的排名，并且基于正确答案在该排名中出现的高度来进一步评估它们的性能。在这项工作中，我们采取批判性的眼光在这种方式的评价。我们认为，执行基于排名的评估是不够的，以评估复杂的查询回答的方法。为了解决这个问题，我们引入了消息传递查询框（MPQB），它需要二进制分类指标重新投入使用，并显示了这对最近提出的查询嵌入方法MPQE的影响。
2021-02-22 cs.AI cs.DB
Introducing Nominals to the Combined Query Answering Approaches for EL
University of Oxford（牛津大学）
所谓的组合方法在三个步骤中回答描述逻辑本体上的合取查询：首先，它们具体化本体和数据的某些结果;第二，它们评估数据上的查询;第三，它们过滤第二阶段的结果以消除不合理的答案。这种方法是为DL-Lite和EL语言家族的各种成员开发的，但它们都不能处理包含名词的本体。在我们的工作中，我们弥合了这一差距，并提出了一个组合的查询回答方法ELHO-一个逻辑，包含所有功能的OWL 2 EL标准除了传递角色和复杂的角色夹杂物。这个扩展是不平凡的，因为名词需要等式推理，这将复杂性引入了第一步和第三步。我们的实证评估表明，我们的技术是适合于实际应用，因此它提供了一个实际的基础上，在一个大片段的OWL 2 EL的合取查询回答。
2013-04-01 cs.AI cs.DB cs.LO
Second-Order Specifications and Quantifier Elimination for Consistent Query Answering in Databases
Millennium Institute for Foundational Research on Data（千禧数据基础研究所）
来自可能不一致的数据库的查询的一致答案是从数据库的每个可能的修复中同时检索的答案。修复是与原始不一致实例差异最小的一致实例。以前已经表明，数据库修复可以被指定为一个析取逻辑程序的稳定模型。在本文中，我们展示了如何使用修复程序转换问题的一致性查询回答问题的推理w.r.t.用二阶谓词逻辑写成的理论。它还研究了如何一阶理论，而不是通过应用二阶量词消去技术。
2021-10-18 cs.AI cs.DB cs.LO
Expressive Completeness of Existential Rule Languages for Ontology-based Query Answering
Huazhong University of Technology & Science（华中科技大学）；Western Sydney University（西悉尼大学）；University of Alberta（阿尔伯塔大学）
潜在规则，也被称为数据库中的数据依赖，最近被重新发现为基于本体的查询分类的一个有前途的语言家族。在本文中，我们证明了析取嵌入依赖准确捕获类递归可重命名的本体基于本体的连接查询（OCQA）。我们的表达完整性结果不依赖于数据库上任何内置的线性顺序。为了建立表达的完整性，我们引入了一个新的语义定义OCQA本体。我们还表明，无论是类的析取元组生成的依赖关系，也不是类的嵌入式依赖关系是表达完整的递归可重复OCQA本体。
2016-04-27 cs.AI cs.DB cs.LO
Answering Regular Path Queries Over SQ Ontologies
Cardiff University（卡迪夫大学）；TU Wien（维也纳工业大学）；Universität Bremen（不来梅大学）
我们研究查询回答的描述逻辑$\mathcal{SQ}$支持合格的数量限制的传递和非传递的角色。我们的主要贡献是一个树状模型属性的$\mathcal{SQ}$知识库，并在此基础上，一个最佳的自动机为基础的算法回答积极存在的正规路径查询2ExpTime。
2020-11-17 cs.AI cs.LO
Interactive Query Answering on Knowledge Graphs with Soft Entity Constraints
Translational AI Laboratory, Department of Laboratory Medicine（转化人工智能实验室，实验室医学系）；Amsterdam University Medical Center, Vrije Universiteit Amsterdam（阿姆斯特丹大学医学中心，伏里埃大学阿姆斯特丹）；Accenture Labs（埃森哲实验室）；Delft University of Technology（代尔夫特理工大学）；ELLIS Institute Finland & Abo Akademi University, Turku, Finland & Elsevier Discovery Lab, Amsterdam（芬兰ELLIS研究所 & 阿博阿卡迪米大学，图尔库，芬兰 & 埃西弗尔发现实验室，阿姆斯特丹）
针对知识图谱查询中存在的模糊或上下文依赖的软约束问题，提出两种轻量级方法，通过调整查询答案分数来融入软约束，保持原始排序结构，并在扩展基准上验证了性能。
2026-05-22 cs.AI cs.LG
Worst-case Optimal Query Answering for Greedy Sets of Existential Rules and Their Subclasses
TU Dresden（德累斯顿工业大学）；Inria（法国国家信息与自动化研究所）；University Montpellier 2（蒙彼利埃第二大学）
在数据库和知识表示领域都已经认识到，需要在数据之上建立一个本体层，并与能够利用本体中编码的语义的高级推理机制相关联。本文主要研究本体查询应答问题，即在查询数据的同时考虑本体知识。更具体地说，我们建立了存在性规则类（也称为元组生成依赖关系，数据库+/-规则或forall-exists-rules）的合取查询蕴涵问题的复杂性。我们的贡献是双重的。首先，我们介绍了一类贪婪有界树宽集（gbts）的规则，其中包括保护规则，和他们最有名的推广。我们提供了一个通用的算法，查询蕴涵在gbts下，这是最坏情况下的最优组合复杂度有界谓词arity或没有，以及数据复杂度和查询复杂度。其次，我们分类几个gbts类，其复杂性是未知的，相对于组合复杂性（与无界和有界谓词arity）和数据复杂性，以获得一个全面的图片的复杂性的存在规则片段，是基于不同的guardedness概念。上界显示，所提出的算法是最佳的所有这些。
2014-12-15 cs.AI cs.DB
Consistent Query Answering via ASP from Different Perspectives: Theory and Practice
University of Calabria（卡拉布里亚大学）
数据集成系统通过适当地组合不同数据源的数据，并为用户提供统一的视图（称为全局模式），从而提供对不同数据源的透明访问。然而，源数据通常不受数据集成过程的控制，因此即使存在本地一致的数据源，集成的数据也可能违反全局完整性约束。在这种情况下，检索尽可能多的一致信息可能是有趣的。在全局约束违反的情况下回答用户查询的过程称为一致性查询回答（CQA）。已经提出了CQA的几个概念，例如，这取决于综合信息是否被认为是可靠的、完整的、准确的或它们的变体。本文提供了在这种设置的贡献：它统一的解决方案来自不同的角度下一个共同的基于ASP的核心，并提供查询驱动的优化设计隔离和消除效率低下的一般方法计算一致的答案。此外，本文还介绍了一些新的理论结果，丰富了现有的知识的可判定性和所考虑的问题的复杂性。实验结果证明了该方法的有效性。出现在逻辑编程理论与实践（TPLP）中。
2011-10-07 cs.AI cs.DB
Combining Inductive and Deductive Reasoning for Query Answering over Incomplete Knowledge Graphs
AIT Austrian Institute of Technology（奥地利技术研究所）；Bosch Center for Artificial Intelligence（博世人工智能中心）；University of Edinburgh（爱丁堡大学）
针对不完整知识图谱查询回答仅依赖归纳推理的局限，提出将本体融入嵌入模型，通过数据增强和损失函数调整实现演绎推理，在LUBM和NELL基准上HITS@3提升20%-55%。
2023-08-31 cs.AI cs.DB cs.LG
Sequential Query Encoding For Complex Query Answering on Knowledge Graphs
Hong Kong University of Science and Technology（香港科技大学）
针对知识图谱复杂查询回答中现有查询编码方法过于复杂的问题，提出序列查询编码（SQE），通过将计算图线性化为token序列并用序列编码器计算向量表示来检索答案，在多个基准上取得最先进性能。
2023-06-25 cs.AI cs.CL
Towards Universal Languages for Tractable Ontology Mediated Query Answering
Tianjin University（天津大学）；Western Sydney University（西悉尼大学）；Huazhong University of Technology and Science（华中科技大学）；University of Alberta（阿尔伯塔大学）；Nankai University（南开大学）
本体中介查询回答的本体语言（OMQA语言）是通用的OMQA语言的家庭，如果它是这个家庭中最具表现力的。在本文中，我们专注于三个家庭的听话的OMQA语言，包括一阶的OMQA语言和语言的查询回答的数据复杂度是在AC0或PTIME。在消极的一面，我们证明，有，一般来说，没有普遍的语言，为每一个这些家庭的语言。在积极的一面，我们提出了一个新的属性，地方性，近似的一阶可重写性，并表明存在一种语言的析取嵌入依赖，是普遍的OMQA语言的家庭与地方。所有这些结果适用于OMQA与查询语言，如联合查询，联合查询和非循环联合查询。
2019-12-13 cs.AI cs.DB cs.LO
DAGE: DAG Query Answering via Relational Combinator with Logical Constraints
University of Stuttgart（斯图加特大学）；Bosch Center for Artificial Intelligence（博世人工智能中心）；Stanford University（斯坦福大学）；University of Southampton（南安普顿大学）
本文提出DAGE方法，通过可训练操作符合并DAG查询中的多条路径，以处理更一般的DAG查询，并引入新基准，实验表明其优于现有方法。
2025-02-12 cs.AI cs.DB
A Practical Acyclicity Notion for Query Answering over Horn-SRIQ Ontologies
Wright State University（莱特州立大学）
合取查询回答表达霍恩描述逻辑本体是一个相关的和具有挑战性的问题，在某些情况下，可以解决的应用程序的追逐算法。在本文中，我们定义了一个新的无环性的概念，它提供了一个充分条件，终止限制追逐Horn-SRIQ T盒。我们表明，这一概念概括了大多数现有的无环性条件（理论和经验）。此外，这个新的非循环概念产生了一个非常有效的推理过程。我们为此提供了证据，提供了一个基于物化的推理机的非循环本体，优于其他国家的最先进的系统。
2018-04-19 cs.AI cs.DB cs.LO
Neural-Symbolic Entangled Framework for Complex Query Answering
Zhejiang University（浙江大学）；AZFT Joint Lab for Knowledge Engine（AZFT知识引擎联合实验室）；Alibaba Group（阿里巴巴集团）；Hangzhou Innovation Center, Zhejiang University（浙江大学杭州国际科创中心）
在知识图谱（KG）上进行复杂查询是一项重要但具有挑战性的任务，因为KG不完整性问题和推理过程中的级联错误。最近的查询嵌入（QE）方法嵌入的KG和一阶逻辑（FOL）查询到一个低维空间的实体和关系，回答查询密集相似性搜索。然而，以前的工作主要集中在目标答案，忽略了中间实体的有用性，这是必要的，以减轻级联错误的问题，在逻辑查询回答。此外，这些方法通常设计有自己的几何或分布嵌入来处理逻辑运算符，如并集，交集和否定，牺牲了基本运算符-投影的准确性，并且它们不能将其他嵌入方法吸收到它们的模型中。在这项工作中，我们提出了一个神经和符号纠缠框架（ENeSy）的复杂查询回答，这使得神经和符号推理，以减轻级联错误和KG不完整性，以加强对方。ENeSy中的投影算子可以是具有链接预测能力的任何嵌入方法，并且其他FOL算子在没有参数的情况下被处理。通过包含神经和符号推理结果，ENeSy以集合的形式回答查询。ENeSy在几个基准测试中达到了SOTA性能，特别是在训练模型只与链接预测任务的设置中。
2022-09-19 cs.AI cs.DB cs.LO
Answering Complex Logical Queries on Knowledge Graphs via Query Computation Tree Optimization
Tsinghua University（清华大学）；Institute for Artificial Intelligence（人工智能研究院）
针对不完整知识图谱上复杂逻辑查询的推理难题，提出 QTO，利用查询计算树上的前向-后向传播求得精确最优解，并在 3 个数据集上平均提升 22%。
2023-06-07 cs.AI cs.DB cs.LG
Adapting Neural Link Predictors for Data-Efficient Complex Query Answering
Vrije Universiteit Amsterdam（阿姆斯特丹自由大学）；University of Amsterdam（阿姆斯特丹大学）；Elsevier（爱思唯尔）；University of Copenhagen（哥本哈根大学）；University of Edinburgh（爱丁堡大学）
本文提出参数高效的自适应模型 CQD$^{\mathcal{A}}$，通过重新校准冻结的神经链接预测器分数来高效回答复杂查询，仅增加0.03%参数，在显著减少训练数据的同时提升推理准确性并支持原子否定查询。
2023-07-11 cs.AI cs.LG cs.LO
$\text{EFO}_{k}$-CQA: Towards Knowledge Graph Complex Query Answering beyond Set Operation
Tsinghua University（清华大学）；HKUST（香港科技大学）
针对知识图谱复杂查询，提出涵盖多变量存在性一阶查询（$\ ext{EFO}_{k}$）的数据生成、模型训练与评估综合框架，构建了含741种查询类型的数据集，揭示了现有数据集的系统性偏差。
2023-07-15 cs.AI cs.DB cs.LG
Goal-Driven Query Answering for Existential Rules with Equality
University of Oxford（牛津大学）；Alan Turing Institute（艾伦·图灵研究所）
受魔术集的启发，我们提出了一种新的目标驱动的方法来回答查询终止存在规则与平等（又名TGD和EGDs）。我们的技术提高了性能的查询回答修剪的后果是不相关的查询。这在我们的设置中具有挑战性，因为等式可能会影响数据集中的所有谓词。我们解决这个问题，结合现有的奇异化技术与两个新的成分：一个算法，用于确定相关的规则查询和一个新的魔术集算法。我们的经验表明，我们的技术可以显着提高查询回答的性能，它可以意味着在几秒钟内回答查询或根本无法处理查询之间的差异。
2017-11-20 cs.AI
A General Modifier-based Framework for Inconsistency-Tolerant Query Answering
INRIA（法国国家信息与自动化研究所）；Univ Artois（阿尔图瓦大学）；Univ Aix-Marseille（艾克斯-马赛大学）；Univ Montpellier（蒙彼利埃大学）
我们提出了一个通用的框架内存在规则设置的不一致容忍查询回答。该框架统一了现有技术提出的主要语义，并引入了基于基数和多数原则的新语义。它依赖于两个关键概念：修饰语和推理策略。一个不一致容忍语义被看作是一个复合修饰符加上推理策略。我们从生产力的角度来看，比较所获得的语义。
2016-02-18 cs.AI
Rule-based query answering method for a knowledge base of economic crimes
Institute of Control and Information Engineering, Poznan University of Technology（波兹南理工大学控制与信息工程学院）
我们提出了一个描述的博士论文，其目的是提出一个基于规则的查询回答方法的关系数据。在这种方法中，我们使用一个额外的知识，这是表示为一组规则，并描述了源数据在概念（本体）的水平。从抽象层次上提出了新的概念。我们提出了两种方法。第一个使用混合推理，第二个只利用正向链接。这两种方法通过与Jess引擎耦合的系统的原型实现来演示。对选定的经济犯罪（欺诈性付款和洗钱）的知识库进行了测试。
2011-07-11 cs.AI
Asking the Right Questions: Learning Interpretable Action Models Through Query Answering
Arizona State University（亚利桑那州立大学）
本文提出了一种新的方法来估计一个可解释的，关系模型的黑盒自主智能体，可以计划和行动。我们的主要贡献是一个新的范例，估计这样的模型使用最小的查询接口与代理，和一个分层查询算法，生成一个询问政策，估计代理的内部模型在用户提供的词汇表。我们的方法的实证评估表明，尽管棘手的搜索空间可能的代理模型，我们的方法允许正确的和可扩展的估计解释代理模型的广泛的黑盒自主智能体。我们的研究结果还表明，这种方法可以使用谓词分类器来学习可解释的模型的规划代理，代表国家的图像。
2021-04-09 cs.AI
Modeling Global Semantics for Question Answering over Knowledge Bases
Tianjin University（天津大学）
语义解析作为基于知识库的问答系统的一种重要方法，它将问题转化为完整的查询图，从而生成正确的逻辑查询。现有的语义解析方法主要集中在关系匹配上，而较少关注问题的底层内部结构（例如，问题中所有实体之间的依赖性和关系）来选择查询图。本文提出了一种基于关系图卷积网络（RGCN）的知识库质量评估（KBQA）语义解析模型gRGCN。gRGCN提取问题及其相应查询图的全局语义，包括通过RGCN提取的结构语义和通过层次关系注意力机制提取的关系语义（实体间关系的标签表示）。在基准测试上进行的实验表明，我们的模型优于现成的模型。
2021-01-05 cs.AI
Leveraging Frequent Query Substructures to Generate Formal Queries for Complex Question Answering
Nanjing University（南京大学）
形式化查询生成的目的是在给定实体和关系链接结果的情况下，为知识库上的问答生成正确的可执行查询。目前的方法为整个问题构建通用的释义或排名模型，这可能会在生成复杂的长尾问题的查询时失败。在本文中，我们提出了SubQG，一个新的查询生成方法的基础上频繁的查询子结构，这有助于排名现有的（但不重要的）查询结构或建立新的查询结构。我们在两个基准数据集上的实验表明，我们的方法显着优于现有的，特别是对于复杂的问题。此外，它实现了有限的训练数据和嘈杂的实体/关系链接结果有前途的性能。
2019-08-29 cs.AI cs.CL
Question Answering over Knowledge Graphs via Structural Query Patterns
Fudan University（复旦大学）；Wuhan University of Science and Technology（武汉科技大学）
知识图谱上的自然语言问答是一项重要且有趣的任务，因为它使普通用户能够以简单且直观的方式获得准确的答案。然而，弥合非结构化问题和结构化知识图谱之间的差距仍然是一个挑战。为了解决这个问题，一个自然的原则是构建一个结构化查询来表示输入问题。在知识图谱上搜索结构化查询可以产生问题的答案。与现有的基于语义解析或模板的方法不同，本文提出了一种有效的基于结构化查询模式的方法。给定一个输入问题，我们首先生成与知识图谱的底层结构兼容的查询草图。然后在结构化查询模式的指导下，对查询图中的节点和边进行标记，从而完成查询图。最后，可以通过在知识图谱上执行所构造的查询图谱来检索答案。三个问答基准测试的评估表明，我们提出的方法优于国家的最先进的方法显着。
2019-10-24 cs.AI cs.CL
Semantic Structure based Query Graph Prediction for Question Answering over Knowledge Graph
Georgia State University（佐治亚州立大学）
从自然语言问题构建查询图是基于知识图谱的复杂问答（Complex KGQA）的重要步骤。通常，如果问题的查询图被正确地构建，则可以正确地回答问题，并且然后通过针对KG发出查询图来检索正确的答案。因此，本文主要研究基于自然语言问句的查询图生成。现有的查询图生成方法忽略了问题的语义结构，导致大量嘈杂的查询图候选项，从而损害了预测准确性。在本文中，我们定义了六个语义结构的常见问题在KGQA和开发一个新的结构BERT预测的语义结构的问题。通过这样做，我们可以首先过滤掉嘈杂的候选查询图，然后使用基于BERT的排名模型对剩余的候选进行排名。在两个流行的基准测试MetaQA和WebtensSP（WSP）上进行的大量实验表明，与最先进的方法相比，我们的方法是有效的。
2022-09-21 cs.AI cs.CL
Query Answering over Contextualized RDF/OWL Knowledge with Forall-Existential Bridge Rules: Attaining Decidability using Acyclicity (full version)
DKM, FBK-IRST（FBK-IRST 的 DKM 部门）；DISI, University Of Trento（特伦托大学 DISI 系）
最近爆发的上下文相关的知识语义网（SW），导致了实现的重要性，四元在SW社区。四元组通过添加RDF三元组的“上下文”的新参数来扩展标准RDF三元组，从而通知推理机区分各种上下文中的知识。虽然这种区别将RDF图中的三元组分成不同的上下文，并允许推理在不同的上下文之间解耦，但需要提供桥接规则来跨这些上下文互操作知识。我们将一组四边形与桥牌规则一起称为四边形系统。本文讨论了四元系统上具有可表达的存在桥规则的查询应答问题。事实证明，在四系统上的查询回答一般是不可判定的。我们推导出一类可判定的四系统，即上下文非循环四系统，查询回答可以使用前向链接。已经为派生类建立了数据和查询蕴涵的组合复杂性的严格界限。
2014-06-03 cs.AI cs.LO
One Model, Any Conjunctive Query: Graph Neural Networks for Answering Queries over Incomplete Knowledge Graphs
University of Oxford（牛津大学）；Intel AI（英特尔人工智能）；TU Wien（维也纳技术大学）
AnyCQ通过图神经网络和强化学习解决不完整知识图谱中任意联合查询的答案分类和检索问题，实现对复杂查询的泛化能力。
2026-01-29 cs.AI cs.LG
Mounting Video Metadata on Transformer-based Language Model for Open-ended Video Question Answering
Seoul National University（首尔大学）
视频问答最近受到多模态视频研究者的大量关注。大多数视频问答数据集通常是选择题的形式。但是，多项选择任务的模型并不能推断出答案。相反，它比较候选答案以选择正确答案。此外，它也很难扩展到其他任务。在本文中，我们挑战现有的多项选择视频问答，将其改为开放式视频问答。为了解决开放式问答，我们使用预训练的GPT 2模型。该模型通过视频输入和字幕进行微调。通过将现有的DramaQA数据集更改为开放式问答进行消融研究，结果表明可以使用视频元数据提高性能。
2021-08-11 cs.AI cs.CV
DyREx: Dynamic Query Representation for Extractive Question Answering
FI Group（FI集团）；Université Sorbonne Paris Nord（索邦巴黎北大学）；CNRS（法国国家科学研究中心）
抽取式问答是自然语言处理的一项重要任务。ExQA的主要方法是用预训练的Transformer表示输入序列标记（问题和段落），然后使用两个学习的查询向量来计算开始和结束答案跨度位置的分布。这些查询向量缺乏输入的上下文，这可能是模型性能的瓶颈。为了解决这个问题，我们提出了\textit{DyREx}，\textit{vanilla}方法的推广，我们动态计算查询向量的输入，通过Transformer层使用的注意力机制。经验观察表明，我们的方法始终提高性能的标准之一。用于运行实验的代码和随附文件可在\url{https://github.com/urchade/DyReX}获得。
2022-10-26 cs.AI cs.CL
Tractable Query Answering and Optimization for Extensions of Weakly-Sticky Datalog+-
Carleton University（卡尔顿大学）
我们认为一个语义类，弱追逐粘性（WChS），和一个语法子类，联合弱粘性（JWS），Datasheet+程序。两者都扩展了弱粘性（WS）程序，它出现在我们的应用程序中的数据质量。对于WChS程序，我们提出了一个实用的，多项式时间的查询应答算法（QAA）。我们确定这两个类在魔集重写下是封闭的。因此，QAA可以应用于优化程序。QAA将程序（包括查询）和关于谓词位置的“有限性”的语义信息作为输入。对于WChS的语法子类JWS和WS，这些附加信息是可计算的。
2015-04-13 cs.AI cs.DB cs.LO
Training Table Question Answering via SQL Query Decomposition
Sorbonne University（索邦大学）；CNRS（法国国家科学研究中心）；University of Angers（昂热大学）
本文提出在表格问答训练中通过模仿受限SQL类代数运算的执行流程提供中间监督，从而提升泛化与结构化推理能力，并探讨了生成架构与外部算法在操作预测上的分工。
2024-02-19 cs.AI cs.DB
PeCoQ: A Dataset for Persian Complex Question Answering over Knowledge Graph
Shahid Beheshti University（沙希德·贝赫什提大学）
问答系统可以从非结构化文本或诸如知识图谱的结构化数据中找到用户问题的答案。使用包括深度学习模型的监督学习方法来解决问题需要大量的训练数据集。近年来，一些数据集已经被提出用于知识图谱上的问答任务，这是本文的重点。虽然有许多英文数据集被提出，但也有一些波斯语的问答数据集。本文介绍了一个用于波斯语问答的数据集\textit{PeCoQ}。该数据集包含从波斯语知识图谱FarsBase中提取的10，000个复杂问题和答案。对于每个问题，SPARQL查询和两个由语言学家编写的释义也提供了。数据集中存在不同类型的复杂性，例如多关系、多实体、顺序和时间约束。在本文中，我们讨论了数据集的特点，并描述了我们的方法来建立它。
2021-06-27 cs.AI cs.CL
Learning to Order Sub-questions for Complex Question Answering
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；University of Science and Technology of China（中国科学技术大学）；Bytedance Inc（字节跳动公司）
解决涉及多个实体和关系的复杂问题是一项具有挑战性的任务。从逻辑上讲，复杂问题的答案应该通过将复杂问题分解为多个简单的子问题，然后回答这些子问题来得出。现有的工作遵循这一策略，但没有试图优化如何回答这些子问题的顺序。结果，子问题以任意顺序回答，导致更大的搜索空间和更高的错过答案的风险。在本文中，我们提出了一种新的强化学习（RL）方法来回答复杂的问题，可以学习一个策略，动态地决定哪些子问题应该在推理的每个阶段回答。我们对期望值方差准则进行了改进，使学习策略能够在回答子问题的风险和效用之间进行平衡。实验结果表明，强化学习方法可以大大提高子问题排序的最优性，从而提高问答的准确率。所提出的学习排序子问题的方法是通用的，因此可以潜在地结合许多现有的想法来回答复杂的问题，以提高其性能。
2019-11-12 cs.AI cs.CL
A Question Answering System Using Graph-Pattern Association Rules (QAGPAR) On YAGO Knowledge Base
University of Andalas（安达卢斯大学）；Institut Teknologi Bandung（万隆理工学院）
一个问答系统（QA系统）的开发，使用图形模式的关联规则的YAGO知识库。基于作为输入的用户问题来提供作为系统输出的答案。如果答案在数据库中缺失或不可用，则使用图模式关联规则来获得答案。该问答系统的体系结构包括：问题分类、图组件生成、查询生成和查询处理。该问答系统使用瀑布模型中的关联图模式。在本文中，该系统的体系结构进行了描述，具体讨论了其推理和性能的能力。本研究的结果是，具有高置信度和正确逻辑的规则产生正确答案，反之亦然
2019-02-02 cs.AI cs.DB
Dynamic Coattention Networks For Question Answering
Salesforce Research（Salesforce 研究院）
已经提出了几种用于问答的深度学习模型。然而，由于它们的单程性质，它们无法从对应于不正确答案的局部最大值中恢复。为了解决这个问题，我们引入了动态协同注意网络（DCN）的问答。DCN首先融合问题和文档的相互依赖的表示，以便关注两者的相关部分。然后，动态指向解码器迭代潜在的答案跨度。这种迭代过程使模型能够从对应于不正确答案的初始局部最大值恢复。在斯坦福大学的问答数据集上，单个DCN模型将先前的技术水平从71.0% F1提高到75.9%，而DCN集成获得80.4% F1。
2018-03-06 cs.AI cs.CL
Goal-Driven Query Answering over First- and Second-Order Dependencies with Equality
Huawei Labs（华为实验室）；Department of Computer Science, Oxford University（牛津大学计算机科学系）
本文提出了一种针对第一和第二阶依赖及等式的首个目标驱动查询回答技术，通过转换输入依赖以避免无关推断，提高了查询效率。
2026-05-07 cs.AI cs.DB cs.LO
Extending Weakly-Sticky Datalog+/-: Query-Answering Tractability and Optimizations
Carleton University（卡尔顿大学）
弱粘性（WS）Datasheet +/-是Datasheet +/-程序家族中的一个表达成员，它基于粘性和弱非循环的语法概念。WS程序上的查询应答已经得到了研究，但在实用的查询应答算法的设计和实现及其优化方面还有很多工作要做。在这里，我们研究粘性和WS程序的追逐过程的行为的角度来看，扩展的粘性财产的追逐广义粘性的追逐（GSCH属性）。利用此属性，我们指定了GSCh程序的语义类，其中包括粘性程序和WS程序，以及我们识别的其他语法子类。特别是，我们介绍联合弱粘性（JWS）的程序，其中包括WS程序。我们还提出了一个自下而上的QA算法的一系列子类的GSCh。对于JWS程序，该算法在多项式时间（在数据中）内运行。与WS类不同，JWS在一般的魔集重写过程下是封闭的，用于优化具有存在规则的程序。我们将魔集重写与所提出的QA算法相结合，用于JWS程序的QA优化。
2016-07-10 cs.AI cs.DB
What Question Answering can Learn from Trivia Nerds
University of Maryland（马里兰大学）；Google Research（谷歌研究院）
除了让机器回答问题的传统任务外，问答中的一个主要研究问题是创建有趣的、具有挑战性的问题，这些问题可以帮助系统学习如何回答问题，并揭示哪些系统最擅长回答问题。我们认为，创建一个问答数据集-以及与之配套的无处不在的排行榜-非常类似于运行一个琐事锦标赛：您编写问题，让代理（人类或机器）回答问题，并宣布获胜者。然而，研究界忽视了数十年来从琐事社区创造充满活力，公平和有效的问答比赛中吸取的教训。在详细介绍了现有QA数据集的问题后，我们概述了关键的经验教训-消除歧义，区分技能和裁决争议-可以转移到QA研究以及如何为QA社区实施。
2020-04-21 cs.AI cs.CL cs.LG
Video Question Answering on Screencast Tutorials
Adobe Research（Adobe 研究院）；Amazon Alexa AI（亚马逊 Alexa AI）
本文提出了一种新的视频问答任务的屏幕直播教程。我们介绍了一个数据集，包括问题，答案和上下文三元组从教程视频的软件。与其他视频问答作品不同，我们数据集中的所有答案都基于领域知识库。设计了一种单次识别算法提取视频问答中的视觉线索，提高了问答系统的性能。我们还提出了几个基线神经网络架构的基础上，从数据集的视频上下文的各个方面。实验结果表明，我们提出的模型显着提高问答性能，通过将多模态上下文和领域知识。
2020-08-02 cs.AI cs.CL cs.CV
Proposing Plausible Answers for Open-ended Visual Question Answering
University of Rochester（罗切斯特大学）；Adobe Research（Adobe研究院）
回答开放式问题是任何智能代理的基本能力。最近最有趣的开放式问答挑战之一是视觉问答（VQA），它试图通过回答关于图像的自然语言问题来评估系统的视觉理解。存在许多VQA方法，其中大多数没有表现出对它们产生的候选答案的更深层次的语义理解。我们研究的重要性，生成合理的答案，一个给定的问题，通过引入新的任务“回答建议”：对于一个给定的开放式问题，系统应该生成一个排名列表的候选答案通知的语义问题。我们尝试了各种模型，包括神经生成模型以及语义图匹配模型。我们提供了内在的和外在的评价的任务的答案建议，表明我们最好的模型学习提出合理的答案，具有较高的召回率，并执行竞争力与其他一些解决方案的VQA。
2016-10-24 cs.AI cs.CL cs.CV
Realistic Conversational Question Answering with Answer Selection based on Calibrated Confidence and Uncertainty Measurement
Korea Advanced Institute of Science Technology（韩国科学技术院）
会话式问答（ConvQA）模型的目标是通过相关段落和在会话中多次出现的先前问答对来回答问题。为了将这些模型应用于现实世界的场景，一些现有的工作使用预测的答案，而不是不可用的地面真相答案，作为推理的会话历史。然而，由于这些模型通常预测错误的答案，使用所有的预测而不过滤显着阻碍了模型的性能。为了解决这个问题，我们建议根据ConvQA模型中估计的置信度和不确定性过滤掉对话历史中不准确的答案，而不进行任何架构更改。此外，为了使置信度和不确定性值更可靠，我们建议进一步校准它们，从而平滑模型预测。我们在两个标准ConvQA数据集上验证了我们的模型，基于答案选择的现实对话问答，结果表明我们的模型显著优于相关基线。代码可在：https://github.com/starsuzi/AS-ConvQA.
2023-02-10 cs.AI cs.CL cs.IR
Query Answering over Contextualized RDF/OWL Knowledge with Forall-Existential Bridge Rules: Decidable Finite Extension Classes (Post Print)
FBK-IRST（布鲁诺·凯斯勒基金会研究院）；University Of Trento（特伦托大学）；Otto-von-Guericke University of Magdeburg（马格德堡奥托·冯·格里克大学）
语义Web（SW）中上下文化知识的激增导致了诸如\emph{quads}之类的知识格式在SW社区中的流行。quad是RDF三元组的扩展，包含三元组的上下文信息。在本文中，我们研究的问题，查询回答四倍增加forall存在的桥规则，使在各种情况下的三元组之间的推理的互操作性。我们称一组四边形与这样的表达桥规则，一个四边形系统。一般来说，四系统上的查询应答是不可判定的。我们推导出可判定类的四系统，查询回答可以使用正向链接。健全的，完整的和终止的程序，这是众所周知的追逐算法的适应，提供这些类决定查询蕴涵。安全，msafe，和csafe类的四系统限制的追逐计算过程中产生的空白节点的结构有界深度的有向无环图（DAG）。RR和受限RR类不允许在追踪计算过程中生成空节点。数据和组合的复杂性的查询蕴涵已建立派生类。我们进一步表明，四系统是等价的forall存在的规则，其谓词被限制到三进制，模多项式时间的翻译。我们随后表明，安全技术严格包含在表达性中，一些众所周知的表达性技术，例如联合非循环性和模型忠实非循环性，用于在普遍存在规则领域中的可判定性保证。
2015-12-12 cs.AI cs.DB cs.LO
