A*Net：一种可扩展的基于路径的知识图谱推理方法
人工智能
2023-11-10 v5 机器学习
摘要
大规模知识图谱上的推理长期由嵌入方法主导。基于路径的方法具备嵌入方法所缺乏的归纳能力，但其可扩展性受限于路径数量的指数级增长。本文提出 A*Net，一种可扩展的基于路径的知识图谱推理方法。受用于最短路径问题的 A* 算法启发，我们的 A*Net 学习一个优先级函数，在每次迭代中选择重要的节点和边，以降低训练和推理的时间与内存开销。所选节点和边的比例可指定，以在性能与效率之间进行权衡。在直推式和归纳式知识图谱推理基准上的实验表明，A*Net 在与现有最先进的基于路径的方法取得相当性能的同时，每次迭代仅访问 10% 的节点和 10% 的边。在百万规模数据集 ogbl-wikikg2 上，A*Net 不仅取得了新的最先进结果，而且比嵌入方法收敛更快。A*Net 是首个在该规模下用于知识图谱推理的基于路径的方法。
引用
@article{arxiv.2206.04798,
title = {A*Net: A Scalable Path-based Reasoning Approach for Knowledge Graphs},
author = {Zhaocheng Zhu and Xinyu Yuan and Mikhail Galkin and Sophie Xhonneux and Ming Zhang and Maxime Gazeau and Jian Tang},
journal= {arXiv preprint arXiv:2206.04798},
year = {2023}
}
备注
NeurIPS 2023