面向异构知识图谱的 novel GAT 方法
机器学习
2024-08-06 v1 人工智能
摘要
知识图谱（KGs）在提升搜索结果和推荐系统方面发挥着关键作用。随着知识图谱规模的快速增长，它们正变得不准确且不完整。通过知识图谱完成方法可以解决这一问题，其中基于图注意力网络（GAT）的方法因其卓越的性能而居于领先。然而，现有的 GAT 基于知识图谱完成方法在处理异构知识图谱时常常出现过拟合问题，主要是由于样本数量不均衡。此外，这些方法在预测与头（tail）实体共享相同关系且与头（tail）实体相同的尾（head）实体方面表现不佳。为解决这些问题，我们提出了 GATH，一种专为异构 KGs 设计的 novel GAT 方法。GATH 包含两个独立的注意力网络模块，这些模块协同工作以预测缺失的实体。我们还引入了新的编码和特征转换方法，使 GATH 在样本不均衡场景中能够稳健地工作。进行了全面的实验来评估 GATH 的性能。与现有的 SOTA GAT 基于模型在 Hits@10 和 MRR 指标上分别提升了 5.2% 和 5.2%，在 FB15K-237 数据集上，WN18RR 数据集上分别提升了 4.5% 和 14.6%。
引用
@article{arxiv.2408.02456,
title = {Enhancing Heterogeneous Knowledge Graph Completion with a Novel GAT-based Approach},
author = {Wanxu Wei and Yitong Song and Bin Yao},
journal= {arXiv preprint arXiv:2408.02456},
year = {2024}
}