Resumen: Se cree ampliamente que los métodos neuronales para la respuesta de consultas complejas (CQA) sobre gráficos de conocimiento (KG) aprenden patrones que se generalizan más allá de la estructura gráfica explícita, lo que les permite inferir respuestas que son inalcanzables a través del procesamiento de consultas simbólicas. En este trabajo, examinamos críticamente esta suposición a través de un análisis sistemático que compara modelos neuronales de CQA con una estrategia alternativa de relajación de consultas sin entrenamiento que recupera posibles respuestas relajando las restricciones de la consulta y contando las rutas resultantes. En múltiples conjuntos de datos y estructuras de consulta, encontramos varios casos en los que los enfoques neuronales y basados en la relajación funcionan de manera similar, sin que ningún modelo neuronal supere consistentemente a este último. Además, un análisis de similitud revela que las respuestas obtenidas muestran poca superposición y que la combinación de sus resultados mejora consistentemente el desempeño. Estos resultados exigen una reevaluación del progreso en la respuesta a consultas neuronales: a pesar de su complejidad, los modelos actuales no logran subsumir los patrones de razonamiento capturados por la relajación de consultas. Nuestros hallazgos resaltan la importancia de líneas de base no neuronales más sólidas y sugieren que futuros enfoques neuronales podrían beneficiarse de la incorporación de principios de relajación de consultas.
Publicado originalmente en export.arxiv.org el 30 de noviembre de 2025.
Ver fuente original
