Conjunctive Query Answering for the Description Logic SHIQ
Oxford University Computing Laboratory（牛津大学计算实验室）；Dresden University of Technology（德累斯顿工业大学）；The University of Manchester（曼彻斯特大学）
合取查询作为描述逻辑的一种表达性查询语言，在描述逻辑中扮演着重要的角色。虽然现代DL通常提供传递性角色，但如果在查询中承认传递性角色，则仅对DL知识库上的合取查询应答知之甚少。在本文中，我们认为工会的合取查询的知识库制定的突出DL SHIQ，并允许在查询和知识库的传递角色。我们显示在此设置的查询回答的可判定性，并建立两个严格的复杂性界限：关于组合复杂性，我们证明了有一个确定性的算法，需要时间的KB的大小为单指数和查询的大小为双指数，这是最优的查询回答。关于数据的复杂性，我们证明了在co-NP遏制。
2011-10-31 cs.AI
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
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
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
Query Answering with Inconsistent Existential Rules under Stable Model Semantics
Sun Yat-sen University（中山大学）；Huazhong University of Science and Technology（华中科技大学）；Fudan University（复旦大学）；Werstern Sydney University（西悉尼大学）
传统的基于本体的数据访问中的不一致容忍查询应答依赖于选择与本体一致的ABox/数据库的最大组件。然而，本体中的一些规则可能是不可靠的，如果它们是从本体学习中提取的或由不熟练的知识工程师编写的。在本文中，我们提出了一个框架，处理不一致的存在规则下的稳定模型语义，这是定义了一个概念称为规则修复，以选择最大组件的存在规则。令人惊讶的是，对于R-分层的R-非循环存在规则或分层否定的保护存在规则，在规则{修复语义}下的查询回答的数据复杂度和组合复杂度保持与传统的查询回答语义相同。这导致我们提出了几种方法来处理规则{修复语义}通过调用答案集编程求解器。实验结果表明，这些方法具有良好的可扩展性的查询回答下的规则修复的现实情况。
2016-02-18 cs.AI
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
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
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
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
Type-based Neural Link Prediction Adapter for Complex Query Answering
Southeast University（东南大学）；Nanjing Fenghuo Tiandi Communication Technology Co., Ltd（南京烽火天地通信科技有限公司）
针对现有复杂查询回答方法忽略知识图谱类型信息的问题，提出基于类型的神经链接预测适配器TENLPA，结合自适应学习机制融合类型信息，在3个标准数据集上取得最优性能，提升了泛化性与鲁棒性。
2024-01-29 cs.AI
Tractable Reasoning and Conjunctive Query Answering for Defeasible DL-Lite under Rational Closure
Istituto di Scienza e Tecnologie dell’Informazione, CNR - ISTI（意大利科学与技术信息研究所，CNR-ISTI）；University of Cape Town and CAIR（开普敦大学和CAIR）
本文研究理性闭包在DL-Lite轻量级描述逻辑核心与Horn变体上的应用，提出一种基于经典推理器的插件架构，实现高效推理与合取查询回答。
2026-06-24 cs.AI
RConE: Rough Cone Embedding for Multi-Hop Logical Query Answering on Multi-Modal Knowledge Graphs
IIIT-Delhi（德里印度理工学院）
针对多模态知识图谱中现有逻辑查询模型难以利用多模态稠密信息的问题，提出RConE粗糙锥嵌入方法，通过候选实体筛选与子实体定位回答复杂逻辑查询，并在四个公开MMKG上超越现有最先进方法。
2025-06-11 cs.AI
Query Answering in Resource-Based Answer Set Semantics
DISIM Università di L’Aquila（拉奎拉大学DISIM）；DMI Università di Perugia（佩鲁贾大学DMI）
在最近的工作中，我们定义了基于资源的回答集语义，这是一个扩展的回答集语义源于它与线性逻辑的关系的研究。事实上，新语义学的名称来自于这样一个事实，即在线性逻辑公式中，每个文字（包括否定的文字）都被认为是一个资源。在本文中，我们提出了一个查询-应答程序联想到Prolog的答案集程序在此扩展的语义作为一个扩展的XSB-决议的逻辑程序与否定。我们证明所提出的程序的形式属性。正在考虑接受TPLP。
2016-08-04 cs.AI
A System for Interactive Query Answering with Answer Set Programming
Universität Potsdam（波茨坦大学）；Simon Fraser University（西蒙弗雷泽大学）；Griffith University（格里菲斯大学）
反应式答案集编程为将在线信息纳入操作解决过程铺平了道路。虽然这项技术最初是为了处理动态环境中的数据流而设计的，比如辅助生活和认知机器人，但它同样可以用于整合用户提供的事实、规则或查询。因此，我们提出了一个系统的设计和实现的交互式查询回答与反应式答案集编程。我们的系统quontroller是基于反应求解器oclingo和实现作为一个专用的前端。我们描述了它的功能和实现，并通过一些选定的用例说明了它的功能。
2013-12-20 cs.AI
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
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
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
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
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
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
$\text{EFO}_{k}$-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
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
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
Satisfiability and Query Answering in Description Logics with Global and Local Cardinality Constraints
TU Dresden（德累斯顿工业大学）；University of Wrocław（弗罗茨瓦夫大学）
我们介绍和调查的表达描述逻辑（DL）ALCSCC++，在其中的全局和局部基数约束在以前的文件中介绍的可以混合。一方面，我们证明了这不会增加可满足性检查和其他标准推理问题的复杂性。另一方面，可满足性问题成为不可判定的，如果逆角色添加到语言。此外，即使没有相反的角色，合取查询蕴涵在这个DL原来是不可判定的。我们证明了查询的可判定性可以恢复，如果全局和局部约束不混合和全局约束适当的限制。后一个结果基于局部非循环模型构造，并且它将查询蕴涵减少到受限设置中的ABox一致性，即，到ABox一致性w.r.t. ALCSCC中的受限基数约束，我们可以显示ExpTime上限。
2020-02-14 cs.AI cs.LO
Outlining and Filling: Hierarchical Query Graph Generation for Answering Complex Questions over Knowledge Graphs
Southeast University（东南大学）
查询图构造的目的是在KG上构造正确的可执行SPARQL来回答自然语言问题。尽管最近的方法使用基于神经网络的查询图排序取得了良好的结果，但是当处理更复杂的问题时，它们遭受三个新的挑战：1）复杂的SPARQL语法，2）巨大的搜索空间，以及3）局部模糊的查询图。在本文中，我们提供了一种新的解决方案。作为一个准备，我们扩展了查询图处理每个SPARQL子句作为一个子图组成的顶点和边，并定义了一个统一的图形语法称为AQG来描述查询图的结构。基于这些概念，我们提出了一种新的端到端模型，执行分层自回归解码生成查询图。高级解码生成AQG作为约束，以修剪搜索空间并减少局部模糊查询图。底层解码通过从预先准备的候选中选择合适的实例来填充AQG中的槽来完成查询图的构造。实验结果表明，我们的方法大大提高了复杂KGQA基准上的SOTA性能。配备了预训练的模型，我们的方法的性能得到了进一步提高，实现了所有三个数据集的SOTA。
2022-09-11 cs.AI cs.CL
Answering Complex Queries in Knowledge Graphs with Bidirectional Sequence Encoders
NEC Laboratories Europe GmbH（NEC欧洲实验室有限公司）
知识图谱（KG）的表示学习集中于回答简单链接预测查询的问题。在这项工作中，我们解决了更雄心勃勃的挑战，预测多个缺失实体的连接查询的答案。我们提出了双向查询嵌入（BIQE），一种基于双向注意力机制的模型嵌入合取查询的方法。与之前的工作相反，双向自我注意可以捕获查询图中所有元素之间的交互。我们引入了一个新的数据集来预测连接查询的答案，并进行了实验，表明BIQE显着优于最先进的基线。
2021-02-04 cs.AI 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
Consistent Query Answering for Expressive Constraints under Tuple-Deletion Semantics
研究了关系数据库中的一致性查询应答问题。我们考虑一个表达类的模式约束，概括了元组生成依赖关系和等式生成依赖关系。我们建立的复杂性一致的查询回答和修复检查下的元组删除语义的不同片段的上述约束语言。特别是，我们确定了新的子类的约束，其中上述问题是易处理的，甚至是一阶的。
2022-07-19 cs.DB
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
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
Saturation-based Boolean conjunctive query answering and rewriting for the guarded quantification fragments
本文提出基于饱和的布尔合取查询回答与重写程序，适用于有保护、松散有保护和团有保护片段，改进现有消解方法，并首次实现分布式数据集上的紧凑可复用饱和闭包。研究为自动化演绎决策和查询重写奠定理论基础。
2023-10-16 cs.DB cs.LO
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
A Dichotomy in the Complexity of Consistent Query Answering for Two Atom Queries With Self-Join
本文证明了一致性查询回答的二分法猜想对具有自连接的两个原子查询也成立，即测试布尔合取查询是否确定要么是多项式时间，要么是coNP完全。
2024-05-24 cs.DB
Consistent Query Answering under Spatial Semantic Constraints
一致性查询应答是一种容忍不一致的方法，用于从可能与其完整性约束不一致的数据库中获得语义正确的答案。在这项工作中，我们形式化的概念一致的查询回答空间数据库和空间语义完整性约束。为了做到这一点，我们首先描述冲突的空间数据，接下来，我们定义允许的实例，恢复一致性，同时保持接近原始实例。通过这种方式，我们得到一个修复语义，这是作为一个工具的概念来定义和可能得到一致的查询答案。然后，我们集中在一类空间拒绝约束和空间查询，存在一个有效的策略来计算一致的查询答案。本研究将不一致容限应用于空间资料库，将研究目标由空间资料库的一致性转移至查询回应的一致性。
2011-06-08 cs.DB
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
A Skyline and ranking query odyssey: a journey from skyline and ranking queries up to f-skyline queries
本文梳理 skyline 查询、排序查询与 f-skyline 查询的原理和差异，说明灵活 skyline 查询如何缓解结果规模与效用函数依赖等局限。
2023-04-25 cs.DB
Efficient Query Answering over Conceptual Schemas of Relational Databases : Technical Report
我们开发了一个查询应答系统，在工作的核心是一个想法的查询应答重写。为此，我们扩展了DL DL-Lite的能力，以支持n元关系，获得DL DLR-Lite，这仍然是多项式的数据的大小。我们设计了一种灵活的方式映射的概念级的关系级，它提供了一个类似SQL的查询语言查询语言的概念模式的用户。重写技术增加了传统查询应答技术的价值，允许制定更简单的查询，具有推断用户查询中未明确说明的附加信息的能力。概念模式的形式化和开发的推理技术允许检查数据库和概念模式之间的一致性，从而提高了信息系统的可信度。
2009-02-11 cs.DB cs.LO
Parameterised Complexity of Consistent Query Answering via Graph Representations
该研究通过解-冲突超图和Gaifman图两种图表示，分别提出修复计数算法并推导固定参数可处理性结果，为一致性查询回答的参数化复杂度分析提供了新方法和理论结论。
2024-12-11 cs.CC cs.DB
Efficient Batch Query Answering Under Differential Privacy
差分隐私是通过随机化查询答案来实现的严格隐私条件。本文提出了一种在差分隐私下的低错误率的多查询应答算法。我们追求这一目标，推进最近的方法称为矩阵机制，它概括了标准的差异私人机制。这种新机制的工作原理是首先回答一组不同的查询（一种策略），然后推断出所需查询工作负载的答案。虽然有一些策略在特定的工作负载上工作得很好，但找到在任意工作负载上最小化错误的策略是棘手的。我们证明了这种机制的最佳误差的一个新的下限，我们提出了一个有效的算法，接近这个界限的工作量范围很广。
2011-03-07 cs.DB
A SAT-based System for Consistent Query Answering
不一致数据库是违反一个或多个完整性约束（如函数依赖性）的数据库。一致性查询是一种严格和原则性的方法，用于处理针对不一致数据库提出的查询的语义。对不一致数据库上的查询的一致回答是对每次修理的查询的回答的交集，即，在每一个一致的数据库，不同于给定的不一致的一个在最小的方式。在给定的不一致数据库上计算固定合取查询的一致答案可能是一个困难的问题，即使每个固定合取查询在给定的一致数据库上是有效可计算的。我们设计，实现和评估CAvSAT，一个基于SAT的系统一致的查询回答。CAvSAT利用了一组从一致性查询回答到SAT和加权MaxSAT的补充的自然约简。该系统能够处理联合查询和任意拒绝约束的联合，其中包括函数依赖作为特殊情况。我们报告的结果从实验评估CAvSAT合成和现实世界的数据库。这些结果提供的证据表明，基于SAT的方法可以产生一个全面的和可扩展的系统，一致的查询回答。
2019-05-07 cs.DB cs.LO
Prioritized Repairing and Consistent Query Answering in Relational Databases
不一致数据库中的一致查询答案是在每次（最小）修复中获得的答案。通过以所有可能的方式解决所有冲突来获得修复。然而，用户通常能够提供关于应当如何解决冲突的偏好。我们在这里调查的框架首选一致的查询答案，其中用户的喜好是用来缩小一组首选的维修。我们公理化理想的性能首选维修。我们提出了三个不同的家庭的首选维修和研究他们的相互关系。最后，我们调查的复杂性首选修复和计算首选一致的查询答案。
2011-10-07 cs.DB
LinCQA: Faster Consistent Query Answering with Linear Time Guarantees
大多数数据分析管道经常遇到查询违反预定完整性约束的不一致数据的问题。数据清洗是一种被广泛研究的范式，它可以对不一致的数据进行一致的修复。一致性查询应答（CQA）是一种数据清理的替代方法，它要求在不一致数据的所有（在大多数情况下，呈指数级多）修复时，由给定查询保证返回所有元组。本文确定了一类非循环的选择项目连接（SPJ）查询，CQA可以解决通过SQL重写与线性时间保证。我们的重写方法可以被看作是一个推广的Yannakakis的算法，非循环连接不一致的设置。我们提出了LinCQA，一个系统，可以输出重写SQL和非递归的Datasheet规则，在这个类中的每个查询。我们表明，LinCQA往往优于现有的CQA系统的合成和现实世界的工作负载，在某些情况下，由数量级。
2022-08-25 cs.DB
A Dichotomy on the Complexity of Consistent Query Answering for Atoms with Simple Keys
研究了主键码违规情况下的一致性查询应答问题。在这种情况下，数据库中的关系违反了关键约束，我们对满足约束的数据库的最大子集感兴趣，我们称之为修复。对于一个布尔查询Q，问题CERTAINTY（Q）询问是否每个这样的修复满足查询或不;问题是已知的，总是在coNP的合取查询。然而，存在可以在多项式时间内解决的查询。已经证明，对于合取查询，CERTAINTY（Q）的复杂性存在二分法：它要么是PTIME，要么是CONP-完全的。在本文中，我们证明了该猜想确实是真实的情况下，合取查询没有自我加入，每个原子作为一个关键字，无论是一个单一的属性（简单的关键字）或所有属性的原子。
2014-01-15 cs.DB
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
Partial Adaptive Indexing for Approximate Query Answering
本研究提出一种由查询工作负载和用户精度约束驱动的部分自适应索引方法，结合层次化瓦片索引方案支持近似查询回答，有效降低数据读取与索引细化成本，显著提升初始探索阶段的查询评估时间。
2024-07-26 cs.DB
Query Answering in Peer-to-Peer Data Exchange Systems
研究了对等数据交换系统中一个节点的查询应答问题。答案必须与本地语义约束和与其他对等体的数据交换约束一致，并且还必须尊重对等体之间的某些信任关系。介绍了在交换约束和信任关系下对等一致性回答的语义，并给出了获得这些回答的一些技术。
2004-01-20 cs.DB cs.LO
Quantifying Causal Effects on Query Answering in Databases
实际因果关系的概念，形式化的Halpern和Pearl，最近已被应用到关系数据库，表征和计算实际原因可能意外的答案单调查询。原因采用数据库元组的形式，并且可以根据其因果责任进行排名，这是其作为查询答案的原因的相关性的数值度量。在这项工作中，我们重新审视这一概念，引入并提出了一种替代措施的因果贡献，因果效应的情况下。该措施概括了实际原因，并可以应用于超越单调查询。我们表明，因果效应提供了直观和预期的结果。
2016-04-25 cs.DB
Data Cleaning and Query Answering with Matching Dependencies and Matching Functions
匹配依赖最近被引入作为数据清理和实体解析的声明性规则。在数据库实例上强制匹配依赖关系可以标识两个元组的某些属性的值，前提是某些其他属性的值足够相似。假设存在使两个属性值相等的匹配函数，我们正式介绍了使用匹配依赖关系清理实例的过程，作为一个类似追逐的过程。我们发现，匹配功能自然引入属性域上的格结构，以及实例之间的语义支配的偏序。使用后者，我们定义的语义干净的查询回答的某些/可能的答案作为最大的下限/最小的上限从干净的实例中获得的所有可能的答案。我们表明，干净的查询回答是棘手的，在某些情况下。然后，我们研究查询表现单调WRT语义支配秩序，并表明，我们可以提供一个下/上近似干净的答案单调查询。此外，非单调的肯定查询可以放宽到单调查询。
2010-08-23 cs.DB
On the Complexity of Query Answering under Matching Dependencies for Entity Resolution
匹配实体解析（MD）是一个相对较新的声明性实体解析建议。这些规则指定，给定数据库中的值所满足的相似性，哪些值应该被认为是重复的，并且必须被匹配。基于类似于追踪的MD实施过程，我们可以获得干净（无重复）的实例;实际上可能是其中的几个。查询的解析答案是那些在解析实例的结果类下不变的答案。在以前的工作中，我们确定了一些易处理的情况下（即某些类的查询和MD）解决查询回答。在本文中，我们进一步研究这个问题的复杂性，确定一些棘手的情况下。对于一个特殊的情况，我们得到了一个二分法的复杂性结果。
2013-05-26 cs.DB
Taming the Infinite Chase: Query Answering under Expressive Integrity Constraints
Chase算法是在约束下进行查询评估和查询包含的基本工具，其中约束是元组生成依赖（TGD）和等式生成依赖（EGD）（的子类）。到目前为止，关于这一主题的大多数研究都集中在追逐程序终止的情况下，有一些值得注意的例外。在本文中，我们采取了一般的方法，我们提出了大类的TGD下，追逐并不总是终止。我们的语言，特别是，受到守卫逻辑的启发：我们表明，通过强制执行的TGD的形式上的语法属性，我们能够确保可判定性的问题，回答连接查询，尽管非终止追逐。我们提供了严格的复杂性界限的问题的合取查询评价几类TGD。然后，我们介绍EGDs，并提供了一个条件下，EGDs不与TGD相互作用，因此不参加查询应答。我们展示了我们的约束类的应用程序的问题，回答合取查询下的F-逻辑建兴，最近推出的本体语言，并根据突出的易处理的描述逻辑语言。本文的所有结果立即扩展到合取查询包含问题。
2013-11-17 cs.DB cs.LO
