知识图谱生成的自回归模型
人工智能
2026-02-09 v1
摘要
知识图谱（KG）生成需要模型学习三元组之间复杂语义依赖关系，同时保持领域有效性约束。不同于独立对每个三元组进行评分的链接预测，生成模型必须捕捉整个子图的相互依赖关系，以产生语义连贯的结构。我们提出了 ARK（Auto-Regressive Knowledge Graph Generation），一系列自回归模型，通过将图表示为（head, relation, tail）三元组的序列来生成 KG。ARK 从数据中直接学习隐式语义约束，包括类型一致性、时序有效性和关系模式，无需显式规则监督。在 IntelliGraphs 数据集上，我们的模型在各种数据集上实现了 89.2%至 100.0% 的语义有效性，生成的图在训练期间未见过。我们还引入了 SAIL，ARK 的一个变分推广，支持通过学习到的潜在表示进行受控生成，包括无条件采样和从部分图的条件完成。我们的分析表明，模型容量（隐藏维度 >= 64）对 KG 生成的重要性大于模型深度，循环神经网络在实现相当的有效性方面与基于变换器的替代方法相当，同时提供了显著的计算效率。这一结果表明，自回归模型为 KG 生成提供了有效的框架，具有知识库补全和查询 answering 的实际应用前景。
引用
@article{arxiv.2602.06707,
title = {Autoregressive Models for Knowledge Graph Generation},
author = {Thiviyan Thanapalasingam and Antonis Vozikis and Peter Bloem and Paul Groth},
journal= {arXiv preprint arXiv:2602.06707},
year = {2026}
}