利用负采样和逻辑闭包过滤增强几何本体嵌入的 EL++
内容提要
本研究探讨了ELBE、Box^2EL和锥体嵌入等方法在知识图谱和本体学习中的应用，旨在提高蛋白质相互作用预测和逻辑查询的效率。研究表明，不同的表示和投影方法对公理预测有显著影响，并提出了基于几何运算的框架以优化复杂查询。
延伸解读
几何嵌入的演进与互补
文章梳理了本体嵌入的几何表示演进：从ELBE的轴平行盒子解决n-球交集闭合问题，到Box^2EL在EL++中保留逻辑结构，再到锥体嵌入（ConE）处理一阶逻辑运算。这些方法并非简单替代，而是针对不同逻辑复杂度的互补方案。读者可关注其核心差异：盒子擅长概念包含，锥体擅长否定与析取，选择取决于查询类型。
负采样与投影方法的关键影响
文章指出，图投影方法的选择会显著影响公理预测性能，而利用预训练语言模型生成负样本能提升链接预测效果。这提示实践者：嵌入质量不仅取决于模型架构，还依赖负采样策略和投影设计。在生物医学等专业领域，结合文本信息的负采样可能比随机采样更有效，但需注意领域适配。
复杂查询的优化与评估挑战
针对大规模不完整知识图谱，Skolemization技术支持否定查询和存在变量，几何运算框架则优化了复杂查询的时间复杂度。然而，文章也提到本体完成基准显示，即使微调后的大型语言模型仍面临高挑战，混合策略效果最佳。这表明单一方法有局限，实际部署需结合符号推理与神经方法，并重视基准评估的互补性。
Q&A
ELBE 方法如何解决交集闭合性问题？
ELBE 方法将 EL++ 的本体论表示为轴平行盒子，从而解决了 n - 球表示概念时的交集闭合性问题。
Box^2EL 方法在本体学习中有什么优势？
Box^2EL 方法保留了本体的逻辑结构，并在推理时取得了先进的结果，适用于描述逻辑 EL++ 领域。
Skolemization 技术如何优化复杂查询？
Skolemization 技术支持复杂查询的逻辑嵌入，能够高效查询存在变量并优化大规模不完整知识图谱的查询效率。
锥体嵌入模型的主要特点是什么？
锥体嵌入模型通过二维锥形表示处理一阶逻辑运算，显著优于现有模型，并引入几何补充算子处理否定运算。
如何利用预训练语言模型生成负样本？
通过实体之间的距离和文本信息形成邻域集群，利用这些信息生成符号实体的表示形式，有效应用于链接预测任务。
基于几何运算的框架如何提高查询效率？
该框架通过在低维嵌入空间中进行几何运算，有效处理复杂逻辑查询，提高了时间复杂度，提供了有用的预测能力。
