超越转导：知识图谱中归纳式、少样本与零样本链接预测综述
人工智能
2023-12-11 v1 机器学习
摘要
知识图谱（Knowledge Graphs, KGs）由通过不同语义关系相互连接的实体构成。KGs正被广泛应用于各类场景。然而，它们固有地存在不完整性，即实体或关于实体的事实缺失。因此，大量工作聚焦于补全KGs中的缺失信息，这通常被称为链接预测（Link Prediction, LP）。该任务传统上并在广泛范围内以转导设置进行研究，即测试集中的所有实体和关系在训练期间均已被观察到。近期，若干工作应对了更具挑战性的LP设置，其中测试集中的实体和关系可能在训练期间未被观察到，或仅出现在少量事实中。这些工作被称为归纳式、少样本和零样本链接预测。本文对上述领域的现有工作进行了系统综述。深入分析使我们指出，针对上述设置存在不尽如人意的术语和任务定义分歧，这进一步限制了近期工作之间进行比较的可能性。因此，我们旨在细致剖析每种设置，试图揭示其内在特征。最终提出了一套统一的命名法，以简洁一致的方式指代每一种设置。
引用
@article{arxiv.2312.04997,
title = {Beyond Transduction: A Survey on Inductive, Few Shot, and Zero Shot Link Prediction in Knowledge Graphs},
author = {Nicolas Hubert and Pierre Monnin and Heiko Paulheim},
journal= {arXiv preprint arXiv:2312.04997},
year = {2023}
}