基于表示学习的知识图谱近似查询方法研究

Effective querying over knowledge graphs is the basic problem of semantic searching and question answering. A common knowledge graph query problem for users is to face with empty answers. Most existing work solves this problem through query relaxation approaches which are really time-consuming and low-quality. In this project, we propose a representation learning embedding based framework to approximate query knowledge graphs in terms of a continuous vector space and hashing space. We would begin the research with four aspects: 1) Propose the learning to hash method for knowledge graph with semantic similarity preservation; 2) Analyze the similarity boundary of entities in hash and continuous vector space, propose approximating querying method based on query graph partition and operator learning; 3) Generate explanations automatically for returned answers to improve the comprehensibility of our methods; 4) Develop a data-driven approximating querying system, and use the open-domain knowledge graphs to perform the empirical test...This project will focus on the open-domain knowledge graphs, break through the technical difficulties of knowledge hash learning, data-driven approximating querying, automatic explaining model, etc. It will help enrich and improve the relevant theories and methods of knowledge graph query and provide technical support for high-efficiency and high-quality approximating querying on knowledge graphs.

在知识图谱上进行有效查询是语义检索、智能问答等研究的基础性问题。本项目以开放的知识图谱数据集为对象，针对传统知识图谱近似查询方法面临的效率低结果差等问题，以表示学习为依托，将传统查询驱动的近似查询方式转化为数据驱动的方式，提出“数据层—向量层—哈希层”三层体系的近似查询思路，主要展开四方面研究工作：.一：研究知识图谱哈希学习方法，保持实体关系的结构特征和实体语义相似性；二：量化分析实体相似性边界，研究基于查询图划分和算子学习的近似查询方法；三：研究查询结果解释方法，提升近似查询方法的可解释性；四、研制知识图谱近似查询原型系统，并开展实证测试与验证。.本项目将围绕开放知识图谱数据集，突破知识图谱哈希学习、数据驱动式近似查询、结果解释自动生成等技术难题，研究成果将有助于丰富与完善知识图谱近似查询的相关理论与方法，为实现在知识图谱上高效率、高质量近似查询提供技术支撑。

本项目围绕互联网上的开放知识图谱数据集，针对知识图谱查询中的可用性问题，对基于表示学习的知识图谱近似查询方法展开研究，用以应对精准匹配下空集问题对查询系统带来的严峻挑战。在三年的执行期内，项目进展顺利，取得了较为系统全面的研究成果。在国际著名期刊、会议上发论文20篇，其中，在CCF推荐的A类国际期刊或高水平会议上发表论文7篇。研制出知识图谱近似查询原型系统及相关工具，申请国家发明专利2项，授权1项。具体的研究内容、重要成果、与科学意义如下：.1）所提出的知识图谱哈希学习方法能够保持实体关系结构特征和查询条件下的实体语义相似性，进而提高最近邻搜索效率。相关成果在领域知名期刊和会议上发表论文10篇，其中第一作者3篇，通讯作者4篇，申请受理专利1项。.2）所提出的数据驱动式近似查询方法能够基于算子学习保证高质量的近似查询，同时所提出的查询结果解释自动生成方法，提升近似查询结果的可解释性。相关成果在领域知名期刊和会议上发表论文8篇，其中第一作者4篇，通讯作者4篇，申请受理专利1项，软件著作权1项。.3）建立“数据层+向量层+哈希层”的知识图谱三层近似查询框架，研制并实现了数据驱动式的知识图谱近似查询原型系统，开展实证测试与验证，完善与优化了所提理论与技术。相关成果在领域知名期刊和会议上发表论文2篇，其中CCF A类期刊第一作者1篇，CCF A类会议通讯作者1篇。.4）通过项目实施，已培养2名人工智能领域硕士研究生，4名在读。