面向归纳关系预测的循环表示学习

近年来，代数拓扑及其现代发展——持续同调理论——在图表示学习中展现出巨大潜力。本文基于代数拓扑的数学理论，针对知识图谱补全的一项重要学习任务——归纳关系预测，提出了一种新颖的解决方案。为预测两个实体间的关系，可利用规则（即关系序列）的存在性。已有工作将规则视为路径，主要关注实体间路径的搜索。规则空间极为庞大，因而不得不在效率与精度之间取舍。本文将规则视为循环，并表明基于代数拓扑数学理论，循环空间具有独特的结构。通过探索循环空间的线性结构，可提升规则的搜索效率。我们提出收集张成循环空间的循环基，并在所收集的循环上构建新颖的 GNN 框架以学习循环的表示，并预测关系的存在/不存在。我们的方法在基准数据集上取得了最先进的性能。