摘要

回答知识图谱上的复杂一阶逻辑（FOL）查询是多跳推理的基本任务。传统的符号方法通过遍历完整的知识图谱来提取答案，这为每一步提供了良好的解释性。近年来，神经方法学习了复杂查询的几何嵌入。这些方法可以推广到不完整的知识图谱上，但其推理过程难以解释。在本文中，我们提出了一种名为图神经网络查询执行器（GNN-QE）的神经-符号模型，该模型结合了两者的优点。GNN-QE 将复杂的 FOL 查询分解为关系投影和模糊集上的逻辑运算，从而为中间变量提供了可解释性。为了推断缺失的链接，GNN-QE 从知识图谱补全任务中借鉴了一个图神经网络来执行关系投影，并使用乘积模糊逻辑来建模逻辑运算。在三个数据集上的实验表明，GNN-QE 在回答 FOL 查询方面显著优于先前的最先进模型。同时，GNN-QE 能够在没有显式监督的情况下预测答案的数量，并提供中间变量的可视化。