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
$\text{EFO}_{k}$-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
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
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
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
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
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
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
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
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
"Would life be more interesting if I were in AI?" Answering Counterfactuals based on Probabilistic Inductive Logic Programming
Ludwig-Maximilians-Universität München（慕尼黑大学）
本文针对概率逻辑程序在反事实推理中的不足，提出一种语言片段，可从诱导分布重构程序，从而学习支持反事实查询的模型。
2023-08-30 cs.AI cs.LG 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
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
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
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
Answering Counting Queries over DL-Lite Ontologies
University of Bordeaux（波尔多大学）；CNRS（法国国家科学研究中心）；Bordeaux INP（波尔多国立理工学院）；LaBRI（波尔多计算机科学研究实验室）；Inria（法国国家信息与自动化研究所）；DI ENS（巴黎高等师范学院计算机系）；ENS（巴黎高等师范学院）；University PSL（巴黎文理研究大学）
本体介导的查询应答（OMQA）是一种很有前途的数据访问和集成方法，在知识表示和数据库社区中已经被积极研究了十多年。OMQA的绝大多数工作都集中在合取查询上，而具有计数或其他聚合形式的更具表达力的查询在很大程度上尚未探索。在本文中，我们介绍了一种一般形式的计数查询，将其与以前的建议，并研究在DL-Lite本体的存在下回答这种查询的复杂性。由于它遵循现有的工作，查询回答是棘手的，往往是高复杂性，我们考虑一些实际相关的限制，我们建立改进的复杂性界限。
2020-09-02 cs.AI cs.CC cs.DB
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
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
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
Complex Query Answering with Neural Link Predictors
University College London（伦敦大学学院）；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）
神经链接预测器对于识别大规模知识图谱中的缺失边缘非常有用。然而，仍然不清楚如何使用这些模型来回答在许多领域中出现的更复杂的查询，例如使用逻辑合取词（$\land$）、析取词（$\lor$）和存在量词（$\exists$）的查询，同时考虑缺失的边。在这项工作中，我们提出了一个框架，有效地回答复杂的查询不完整的知识图谱。我们将每个查询转换为端到端的可微分目标，其中每个原子的真值由预先训练的神经链接预测器计算。然后，我们分析两个解决方案的优化问题，包括基于梯度和组合搜索。在我们的实验中，所提出的方法比最先进的方法（在数百万个生成的查询上训练的黑盒神经模型）产生更准确的结果，而不需要在大量不同的复杂查询集上进行训练。使用数量级较少的训练数据，我们在包含事实信息的不同知识图谱中获得了从8%到40%的相对改进。最后，我们证明，这是可能的解释我们的模型的结果，在中间的解决方案确定为每个复杂的查询原子。我们所有的源代码和数据集都可以在https://github.com/uclnlp/cqd上获得。
2021-03-18 cs.AI cs.LG 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
CQD-SHAP: Explainable Complex Query Answering via Shapley Values
Department of Computer Science, Paderborn University（帕德博恩大学计算机科学系）
提出CQD-SHAP框架，基于合作博弈论中的沙普利值计算查询各部分对答案排名的贡献，实现复杂查询回答的可解释性，实验证明其有效性。
2026-06-23 cs.AI cs.LG
CQE in Description Logics Through Instance Indistinguishability (extended version)
Sapienza Università di Roma（罗马大学）；Università degli Studi di Bergamo（贝加莫大学）
我们研究隐私保护查询回答描述逻辑（DLs）。具体来说，我们认为的方法的控制查询评估（CQE）的概念的基础上的实例不可分割性。我们推导出数据复杂性的结果查询回答DL-Lite $_{\mathcal{R}}$本体，通过比较与一种替代的，现有的保密CQE的方法。最后，我们确定了CQE的近似查询回答的语义上有根据的概念，并证明了，对于DL-Lite $_{\mathcal{R}}$本体，这种形式的CQE在数据复杂度方面是易处理的，并且是一阶的，即，它总是可简化为对数据实例的一阶查询的评估。
2020-04-24 cs.AI cs.DB
Shapley Value Computation in Ontology-Mediated Query Answering
Univ. Bordeaux, CNRS, Bordeaux INP, LaBRI, UMR 5800（波尔多大学、国家科学研究中心、波尔多理工学院、LaBRI、UMR 5800）
本文研究了在本体引导查询回答中计算剧烈Shapley值的复杂性，揭示了该问题在不同查询条件下的可计算性与#P难性。
2026-02-24 cs.AI cs.DB
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
Is Complex Query Answering Really Complex?
Institute for Artificial Intelligence, University of Stuttgart, Germany（人工智能研究所，斯图加特大学）；School of Informatics University of Edinburgh Edinburgh, UK（信息学院，爱丁堡大学）；University of Southampton, UK（南安普顿大学）；Stanford University（斯坦福大学）
本文揭示现有复杂查询回答基准因大量查询可简化为链接预测而高估了模型能力，并提出需要多跳推理且更贴近真实知识图谱的新基准，实证表明当前方法仍有明显不足。
2026-10-14 cs.AI cs.LG
Application of Methods for Syntax Analysis of Context-Free Languages to Query Evaluation of Logic Programs
Martin-Luther-Universität Halle-Wittenberg（马丁·路德大学哈雷-维滕贝格分校）
本文的研究目标是将基于Earley分析算法的分析器生成算法应用于对逻辑程序，特别是演绎数据库的查询的评估和编译。通过部分演绎，从查询到逻辑程序，将生成对该查询的评估进行建模的参数化自动机。这个自动机可以被编译成可执行代码，因此我们期望在查询评估的运行时加速。论文的扩展摘要/完整版本，将在第30届逻辑编程国际会议（ICLP 2014）的博士联盟上发表，7月19日至22日，维也纳，奥地利
2014-05-15 cs.AI
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
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
Neural-Symbolic Logic Query Answering in Non-Euclidean Space
Institute for Clarity in Documentation（清晰文档研究所）；Inria Paris-Rocquencourt（巴黎-罗克琴堡研究所）；Rajiv Gandhi University（拉朱·甘地大学）；Tsinghua University（清华大学）；Palmer Research Laboratories（帕勒尔研究实验室）
本文提出HYQNET模型，通过超几何空间提升逻辑查询推理能力，结合符号与神经方法，有效处理知识图谱中的缺失链接问题。
2026-02-25 cs.AI
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
Description Logics based Formalization of Wh-Queries
DA-IICT（印度信息技术学院）
自然语言查询形式化（NLQF）的问题是将给定的用户查询从自然语言（NL）转换为形式语言，使其语义解释与NL解释等价。NL查询的形式化使基于逻辑的推理过程中信息检索，数据库查询，问答等形式化也有助于Web查询规范化和索引，查询意图分析等，在本文中，我们提出了一个描述逻辑为基础的形式化的方法，wh-query意图（也称为愿望）识别和相应的正式翻译。我们使用Microsoft Encarta 98查询数据集和OWL-S TC v.4.0数据集评估了我们提出的形式主义的可扩展性。
2013-12-25 cs.AI cs.CL
Improving the Efficiency of Inductive Logic Programming Through the Use of Query Packs
Katholieke Universiteit Leuven（天主教鲁汶大学）；PharmaDM（法玛迪姆公司）
归纳逻辑程序设计或关系学习是机器学习或数据采掘的强大范例。然而，为了使ILP变得实际有用，ILP系统的效率必须大幅提高。为此，引入了查询包的概念：它构建了类似查询的集合。此外，描述了用于执行这样的查询包的机制。复杂性分析表明，相当大的效率提高，可以通过使用这种查询包执行机制。这一主张是支持的实证结果，通过将支持查询包执行两个现有的学习系统。
2011-06-09 cs.AI
InductWave: Inductive Multi-Hop Logical Query Answering on Knowledge Graphs
IIIT-Delhi（印度信息技术学院德里分校）；Vrije Universiteit（自由大学）；Ellis Institute Finland（芬兰埃利斯研究所）；Åbo Akademi University（奥卢大学）；IIT Palakkad（印度理工学院帕拉卡德分校）
研究知识图谱上逻辑多跳查询回答问题，提出基于小波的归纳嵌入方法InductWave，在训练图节点数少于测试图时，以较少消息传递层实现与基线模型相当表现，多数情况更优，能在大规模图上评估，优于现有模型。
2026-07-09 cs.AI cs.IR
Query2Triple: Unified Query Encoding for Answering Diverse Complex Queries over Knowledge Graphs
The Laboratory of Cognition and Decision Intelligence for Complex Systems, Institute of Automation, Chinese Academy of Sciences（认知与决策智能复杂系统实验室，自动化研究所）；School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院）；Meituan（美团）；Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）
本文提出 Q2T，通过两阶段解耦训练将复杂知识图谱查询统一编码为三元组，并复用预训练神经链接预测器，在三个基准上实现高效且最先进的 CQA 性能。
2025-09-28 cs.AI
Transformers for Complex Query Answering over Knowledge Hypergraphs
CSE, HKUST, HKSAR, China（计算机科学与工程系，香港科技大学，香港特别行政区，中国）
针对知识超图上的复杂查询回答，提出两阶段Transformer模型LKHGT，结合投影与逻辑编码器及类型感知偏置，在CQA数据集上达到最先进性能并泛化至分布外查询。
2025-04-23 cs.AI cs.CL
NQE: N-ary Query Embedding for Complex Query Answering over Hyper-Relational Knowledge Graphs
School of Computer Science, Beijing University of Posts and Telecommunications（北京邮电大学计算机学院）；School of Automation Science and Electrical Engineering, Beihang University（北京航空航天大学自动化科学与电气工程学院）；Beijing Institute of Computer Technology and Application（北京计算机技术及应用研究所）
针对超关系知识图谱上的复杂查询回答，提出NQE模型，利用双异构Transformer和模糊逻辑支持任意n元一阶逻辑查询，并生成WD50K-NFOL数据集，实验证明其达到最先进性能。
2023-03-31 cs.AI
KGCompiler: Deep Learning Compilation Optimization for Knowledge Graph Complex Logical Query Answering
University of Chinese Academy of Sciences（中国科学院大学）；Institute of Software Chinese Academy of Sciences（中国科学院软件研究所）；Beijing University of Posts and Telecommunications（北京邮电大学）
针对知识图谱复杂逻辑查询回答中推理时间和内存随算子数量显著增加的问题，提出首个专为CLQA任务设计的深度学习编译器KGCompiler，通过KG特定优化在无需人工修改代码的前提下提升推理性能并降低内存，实现平均3.71倍加速。
2025-03-04 cs.AI cs.SE
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
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
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
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
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
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
