知识图谱归纳链接预测的一项开放挑战
机器学习
2022-04-20 v2 人工智能
摘要
知识图谱（KGs）表示学习中的一个新兴趋势，正从在固定已知实体集合上的直推式链接预测，转向归纳式任务——即在一种图上训练并在含未见过实体的新图上进行推断。在归纳设定中，节点特征通常不可用，且训练浅层实体嵌入矩阵无意义，因为它们无法在推断时用于未见过实体。尽管关注渐增，仍缺乏足够基准来评估归纳表示学习方法。本工作中，我们引入ILPC 2022，一个关于KG归纳链接预测的新颖开放挑战。为此，我们基于Wikidata构建了两个新数据集，其训练与推断图规模各异，且远大于现有归纳基准。我们还提供了两种利用近期提出的归纳方法的强基线。我们希望该挑战有助于理顺社区在归纳图表示学习领域的努力。ILPC 2022遵循评估公平性与可复现性的最佳实践，并可于 https://github.com/pykeen/ilpc2022 获取。
引用
@article{arxiv.2203.01520,
title = {An Open Challenge for Inductive Link Prediction on Knowledge Graphs},
author = {Mikhail Galkin and Max Berrendorf and Charles Tapley Hoyt},
journal= {arXiv preprint arXiv:2203.01520},
year = {2022}
}
备注
Accepted at the Workshop on Graph Learning Benchmarks @ The WebConf 2022