基于潜在类型约束和子图推理的上下文感知归纳知识图谱补全
人工智能
2024-12-30 v3 计算与语言
摘要
归纳知识图谱补全（KGC）旨在预测包含未见实体的缺失三元组。近期工作侧重于将头实体和尾实体之间的推理路径建模为直接支持证据。然而，这些方法严重依赖于推理路径的存在性和质量，这限制了它们在不同场景中的通用适用性。此外，我们观察到知识图谱中固有的潜在类型约束和邻接事实对于推断缺失三元组也至关重要。为了有效利用知识图谱中的所有有用信息，我们引入了CATS，一种新颖的上下文感知归纳KGC解决方案。在适当提示和监督微调的充分引导下，CATS激活了大型语言模型强大的语义理解和推理能力，以评估查询三元组的存在性，该方案由两个模块组成。首先，类型感知推理模块评估候选实体是否匹配查询关系所需的潜在实体类型。然后，子图推理模块选择相关的推理路径和邻接事实，并评估它们与查询三元组的相关性。在三个广泛使用的数据集上的实验结果表明，CATS在18个直推式、归纳式和少样本设置中的16个上显著优于最先进的方法，平均绝对MRR提升了7.2%。
引用
@article{arxiv.2410.16803,
title = {Context-aware Inductive Knowledge Graph Completion with Latent Type Constraints and Subgraph Reasoning},
author = {Muzhi Li and Cehao Yang and Chengjin Xu and Zixing Song and Xuhui Jiang and Jian Guo and Ho-fung Leung and Irwin King},
journal= {arXiv preprint arXiv:2410.16803},
year = {2024}
}