InductWave：知识图谱归纳式多跳逻辑查询新方法

背景

知识图谱（Knowledge Graph, KG）上的逻辑多跳查询回答（Logical Multi-Hop Query Answering）可形式化为在隐含完备性假设下的查询操作。当前研究工作主要聚焦于存在性一阶逻辑（Existential First Order Logic, EFO）查询，这类查询包含合取、析取和否定运算符。然而，现有方法大多采用传导推理（transductive reasoning），这意味着它们无法对训练过程中未见过的实体进行推理。在现实世界中，资源稀缺是常态，我们无法为大型知识图谱中所有节点训练一个模型。因此，需要一种能够处理未见实体、且资源开销更低的归纳式推理方法。

核心内容

针对上述问题，本文提出 InductWave——一种基于小波（wavelet）的归纳式嵌入方法，用于大规模知识图谱上的逻辑查询回答。该方法在训练时使用的图节点数少于测试时的图节点数，属于归纳式（inductive）设置。InductWave 的核心创新在于利用小波变换构建实体嵌入，从而在保持推理能力的同时大幅减少消息传递（message-passing）层数。实验表明，InductWave 仅需一半的消息传递层数即可达到与基线模型相当的性能；当使用基线模型 75% 的层数时，它在大多数情况下超越了所有基线模型。这种更低的资源需求使得 InductWave 能够应用于超大规模图，例如 Wiki-KG。作者在 FB15k-237 数据集上进行了广泛的实验，变化训练图与测试图的比例，并与当前最先进模型进行了对比。论文代码和数据集已公开。

关键要点

• 现有逻辑查询回答工作主要处理 EFO 查询（含合取、析取、否定运算符）
• 大多数已有方法采用传导推理，无法应对训练中未出现的实体
• InductWave 是一种归纳式方法，训练图节点数少于测试图节点数
• 基于小波变换（wavelet-based）进行实体嵌入，取代传统深度消息传递
• 仅用一半的消息传递层数即可达到基线模型性能
• 使用基线模型 75% 的层数时，在多数情况下超越所有基线模型
• 资源需求低，能够扩展至 Wiki-KG 等大规模知识图谱
• 在 FB15k-237 数据集上进行了不同训练/测试图比例的对比实验

意义与影响

InductWave 是针对知识图谱逻辑查询回答领域的一项实用贡献。它首次将小波嵌入引入归纳式场景，显著降低了消息传递层数，从而缓解了大规模图上的计算和存储压力。这使得实际部署中对训练数据完整性的要求降低，能够在仅有部分实体标签的情况下进行有效推理。此外，该工作为处理工业级超大规模知识图谱（如 Wiki-KG）提供了可行的方案，推动了逻辑查询回答从实验室数据集向真实应用环境的迁移。归纳式能力的引入也使得模型在面对动态更新的知识图谱时具有更好的泛化性能。