AdaProp：面向基于图神经网络的知识图谱推理的学习自适应传播
机器学习
2023-06-16 v2 人工智能
摘要
由于图神经网络（GNNs）的流行，各种基于 GNN 的方法被设计用于知识图谱（KGs）上的推理。基于 GNN 的知识图谱推理方法的一个重要设计组件称为传播路径，其包含每一步传播中涉及的一组实体。现有方法使用手工设计的传播路径，忽略了实体与查询关系之间的相关性。此外，涉及的实体数量在更大的传播步数下会爆炸式增长。在本工作中，我们受启发去学习一种自适应传播路径，以过滤掉不相关实体同时保留有希望的目标。首先，我们设计了一种增量采样机制，其中邻近目标和逐层连接可以以保持线性复杂度的形式被保留。其次，我们设计了一种基于学习的采样分布来识别语义相关的实体。大量实验表明我们的方法强大、高效且具有语义感知能力。代码可在 https://github.com/LARS-research/AdaProp 获取。
引用
@article{arxiv.2205.15319,
title = {AdaProp: Learning Adaptive Propagation for Graph Neural Network based Knowledge Graph Reasoning},
author = {Yongqi Zhang and Zhanke Zhou and Quanming Yao and Xiaowen Chu and Bo Han},
journal= {arXiv preprint arXiv:2205.15319},
year = {2023}
}
备注
accepted by KDD 2023