Neurale Modelle im Vergleich: Query‑Relaxation schlägt komplexe KG‑Abfragen

Neurale Ansätze zur komplexen Abfragebeantwortung (CQA) in Wissensgraphen werden oft als die nächste Generation der Datenabfrage angesehen. Sie sollen Muster erkennen, die über die reine Graphstruktur hinausgehen, und Antworten liefern, die mit symbolischer Verarbeitung nicht erreichbar sind. In einer neuen Analyse wird diese Annahme jedoch hinterfragt.

Die Studie vergleicht mehrere neuronale CQA‑Modelle mit einer völlig trainingsfreien Strategie, die Abfragen durch Relaxation löst und die resultierenden Pfade zählt. Auf einer Vielzahl von Datensätzen und Abfrageformen zeigen die Ergebnisse, dass die beiden Ansätze in vielen Fällen ähnlich gut abschneiden – kein neuronales Modell übertrifft die Relaxation konsequent.

Ein weiteres Ergebnis ist, dass die von beiden Methoden zurückgegebenen Antworten kaum überlappen. Durch die Kombination der Resultate lässt sich die Leistung jedoch deutlich steigern. Diese Beobachtung legt nahe, dass neuronale Modelle bislang nicht die gleichen Rechenmuster erfassen, die durch einfache Relaxation erfasst werden.

Die Ergebnisse fordern die aktuelle Bewertung des Fortschritts in neuronaler Abfragebeantwortung heraus. Sie betonen die Notwendigkeit stärkerer nicht-neuronaler Baselines und deuten darauf hin, dass zukünftige neuronale Ansätze von Prinzipien der Query‑Relaxation profitieren könnten.