知識圖譜中零樣本組合推理的全息記憶機制研究：失敗之處與原因剖析

知識圖譜嵌入模型在單跳鏈接預測上表現良好，但缺乏處理零樣本組合查詢的機制。組合查詢涉及訓練中未出現的多跳關係鏈，如“某人的父親的職業是什麼”，模型必須組合從未同時出現的兩個關係。全息簡化表示（HRR）通過循環卷積實現符號的綁定與解綁，理論上具備可逆性和結合性，成為引人注目的候選方案。

本研究由Randhir Kumar等人完成，在FB15k-237數據集上對兩種變體（實值HRR和相位傅里葉HRR，均配備現代Hopfield清理機制）進行五次獨立實驗。結果清晰地揭示了它們的侷限性。首先，兩種模型在單跳檢索上表現優異：實值HRR的過濾MRR達到0.358±0.002，FHRR為0.350±0.021，與最新方法相當。然而，在零樣本組合查詢上，兩者的準確率始終停留在隨機水平，無論清理温度如何調整。

為了探究失敗根源，作者進行了精密的機制分析。通過第一跳探針實驗，發現記憶能以高保真度恢復中間實體（HRR的MRR達0.896±0.002）。但即使中間實體完全正確，組合依然失敗。進一步分析表明，將組合鏈中的第二跳事實單獨作為原子查詢時，其檢索準確率僅為原子查詢平均準確率的0.26至0.48倍，且與關係扇出無關。這説明瓶頸不在於綁定代數和清理機制，而在於組合鏈所涉及的事實本身更難被疊加記憶檢索，這是一種容量和干擾效應，甚至在單跳層面就已存在。

此外，研究還證明了FHRR的softmax清理不滿足相位等變性，這會在少數第一跳已經出錯的鏈路上進一步放大錯誤。最後，作者強調，要解決零樣本組合問題，必須提高模型在符號疊加下的檢索容量，而不是僅僅重新設計清理機制。該發現對知識圖譜推理和認知架構設計具有重要的指導意義，也為未來研究指明瞭方向：需要開發能夠更好處理組合事實的表示和檢索方法。