DuetGraph：基于双路径全局-局部融合的粗到细知识图谱推理
人工智能
2025-09-30 v2 机器学习
摘要
知识图谱(Knowledge Graphs, KGs)是实现跨领域知识推理的关键。最近的一些知识图谱推理方法整合了全局和局部信息，取得了令人鼓舞的成果。然而，现有方法常常 suffer于得分过平滑，导致正确答案与错误答案的区分模糊，阻碍推理效果。为此，我们提出DuetGraph，一种具有双路径全局-局部融合的粗到细知识图谱推理机制。DuetGraph通过将局部(通过消息传递)和全局(通过注意力)信息的处理划分为两个 distinct pathway 而非堆叠，来缓解过平滑问题，防止相互干扰，保持表示的判别性。此外，DuetGraph引入粗到细优化，将实体划分为高分数和低分数子集。此策略缩小候选空间，拉大两个子集之间的得分间隙，从而缓解过平滑，提高推理质量。在多个数据集上的大量实验表明，DuetGraph 实现了状态最佳(SOTA)性能，推理质量提升最高可达8.7%，训练效率提升约1.8倍。我们的代码已公开于 https://github.com/USTC-DataDarknessLab/DuetGraph.git。
引用
@article{arxiv.2507.11229,
title = {DuetGraph: Coarse-to-Fine Knowledge Graph Reasoning with Dual-Pathway Global-Local Fusion},
author = {Jin Li and Zezhong Ding and Xike Xie},
journal= {arXiv preprint arXiv:2507.11229},
year = {2025}
}
备注
Accepted by NeurIPS 2025