摘要

学习知识图谱的低维嵌入是一种强大的方法，用于预测实体之间未观察到或缺失的边。然而，该领域的开放性挑战之一是开发能够超越简单的边预测并处理更复杂的逻辑查询的技术，这些查询可能涉及多个未观察到的边、实体和变量。例如，在一个不完整的生物知识图谱中，我们可能希望预测“哪些药物可能会针对同时与疾病X和Y相关的蛋白质？”——这一查询需要对所有可能与疾病X和Y相互作用的蛋白质进行推理。本文介绍了一种框架，可以高效地在不完整的知识图谱上对合取逻辑查询（一阶逻辑的一个灵活但可处理的子集）进行预测。在我们的方法中，我们将图节点嵌入低维空间，并将逻辑运算符表示为该嵌入空间中的学习几何运算（如平移、旋转）。通过在低维嵌入空间内执行逻辑运算，我们的方法实现了线性的时间复杂度，而基于枚举的朴素方法则需要指数级的时间复杂度。我们在两个应用研究中展示了该框架的实际效用，这些研究基于包含数百万关系的真实世界数据集：一是预测药物-基因-疾病网络中的逻辑关系；二是从一个流行的网络论坛中提取的社会互动图表示中的逻辑关系。