知识图谱中零样本组合推理的全息记忆机制研究：失败之处与原因剖析

知识图谱嵌入模型在单跳链接预测上表现良好，但缺乏处理零样本组合查询的机制。组合查询涉及训练中未出现的多跳关系链，如“某人的父亲的职业是什么”，模型必须组合从未同时出现的两个关系。全息简化表示（HRR）通过循环卷积实现符号的绑定与解绑，理论上具备可逆性和结合性，成为引人注目的候选方案。

本研究由Randhir Kumar等人完成，在FB15k-237数据集上对两种变体（实值HRR和相位傅里叶HRR，均配备现代Hopfield清理机制）进行五次独立实验。结果清晰地揭示了它们的局限性。首先，两种模型在单跳检索上表现优异：实值HRR的过滤MRR达到0.358±0.002，FHRR为0.350±0.021，与最新方法相当。然而，在零样本组合查询上，两者的准确率始终停留在随机水平，无论清理温度如何调整。

为了探究失败根源，作者进行了精密的机制分析。通过第一跳探针实验，发现记忆能以高保真度恢复中间实体（HRR的MRR达0.896±0.002）。但即使中间实体完全正确，组合依然失败。进一步分析表明，将组合链中的第二跳事实单独作为原子查询时，其检索准确率仅为原子查询平均准确率的0.26至0.48倍，且与关系扇出无关。这说明瓶颈不在于绑定代数和清理机制，而在于组合链所涉及的事实本身更难被叠加记忆检索，这是一种容量和干扰效应，甚至在单跳层面就已存在。

此外，研究还证明了FHRR的softmax清理不满足相位等变性，这会在少数第一跳已经出错的链路上进一步放大错误。最后，作者强调，要解决零样本组合问题，必须提高模型在符号叠加下的检索容量，而不是仅仅重新设计清理机制。该发现对知识图谱推理和认知架构设计具有重要的指导意义，也为未来研究指明了方向：需要开发能够更好处理组合事实的表示和检索方法。