消息传递神经网络对知识图谱补全真的有用吗?
人工智能
2023-07-06 v3 机器学习
摘要
知识图谱(KGs)支撑了广泛的应用。尽管在创建和维护上付出了巨大努力,即使最大的知识图谱也远未完成。因此,知识图谱补全(KGC)已成为知识图谱研究中最关键的任务之一。最近,该领域大量文献集中于使用消息传递(图)神经网络(MPNNs)来学习强大的嵌入表示。鉴于其额外的消息传递(MP)组件,这些方法的成功自然归因于对更简单的多层感知机(MLP)模型使用了MPNNs。在本工作中,我们惊讶地发现,简单的MLP模型能够实现与MPNNs相当的性能,这表明MP可能不像先前认为的那样关键。通过进一步探索,我们表明仔细的打分函数和损失函数设计对KGC模型性能有更强的影响。这意味着先前工作中打分函数设计、损失函数设计和MP的混淆,并对当今最先进KGC方法的可扩展性以及未来对KGC任务更合适MP设计的密切关注提供了有前景的见解。我们的代码公开于:https://github.com/Juanhui28/Are_MPNNs_helpful。
引用
@article{arxiv.2205.10652,
title = {Are Message Passing Neural Networks Really Helpful for Knowledge Graph Completion?},
author = {Juanhui Li and Harry Shomer and Jiayuan Ding and Yiqi Wang and Yao Ma and Neil Shah and Jiliang Tang and Dawei Yin},
journal= {arXiv preprint arXiv:2205.10652},
year = {2023}
}