面向断开式新兴知识图的归纳链接预测
机器学习
2022-09-07 v1
摘要
归纳链接预测（ILP）旨在新兴知识图（KGs）中为未见过实体预测链接，这考虑了 KG 的演化特性。一个更具挑战性的场景是新兴 KG 仅由未见过实体组成，称为断开式新兴 KG（DEKG）。现有针对 DEKG 的研究仅关注预测内部链接，即在新兴 KG 内部预测链接。携带从原始 KG 到 DEKG 演化信息的桥接链接，迄今尚未被以往工作所研究。为填补此空白，我们提出一种名为 DEKG-ILP（面向断开式新兴知识图的归纳链接预测）的新模型，包含以下两个组件。（1）开发模块 CLRM（基于对比学习的关系特定特征建模）以新颖采样策略提取原始 KG 与 DEKG 之间共享的全局基于关系的语义特征。（2）提出模块 GSM（基于 GNN 的子图建模）以提取 KG 中每个链接周围的局部子图拓扑信息。在多个基准数据集上的广泛实验表明，DEKG-ILP 在内部链接与桥接链接预测上相比最先进（SOTA）方法均有明显性能提升。源代码已在线公开。
引用
@article{arxiv.2209.01397,
title = {Disconnected Emerging Knowledge Graph Oriented Inductive Link Prediction},
author = {Yufeng Zhang and Weiqing Wang and Hongzhi Yin and Pengpeng Zhao and Wei Chen and Lei Zhao},
journal= {arXiv preprint arXiv:2209.01397},
year = {2022}
}