基于GNN蒸馏和概率交互建模的知识图谱完成提升
人工智能
2025-05-20 v1 机器学习
摘要
知识图谱（KGs）是组织跨领域互联数据的基本结构，但大多数知识图谱仍不完整，限制了其在下游应用中的效能。知识图谱完成（KGC）旨在通过推断缺失链接来解决此问题，但现有方法面临关键挑战：深层图神经网络（GNNs）受益于过平滑，而基于嵌入的方法难以捕获抽象关系特征。本研究旨在通过提出统一框架集成GNN蒸馏和抽象概率交互建模（APIM）来克服这些限制。GNN蒸馏方法引入迭代的信息-特征过滤过程以缓解过平滑，保留节点表示的判别性。APIM模块通过概率签名和转移矩阵学习结构化的抽象交互模式，实现对实体和关系交互更丰富、更灵活的表示。我们将这些方法应用于GNN基础模型和APIM，对嵌入式KGC模型进行实验评估，使用广泛采用的WN18RR和FB15K-237数据集。我们的结果显示，所提出的技术显著超越基线模型，展示了所提出方法的有效性。这些发现突显了控制信息传播和利用结构化概率建模的重要性，为推动知识图谱完成提供了新方向。我们的代码已公开于 https://anonymous.4open.science/r/APIM_and_GNN-Distillation-461C。
引用
@article{arxiv.2505.12272,
title = {Enhancing Knowledge Graph Completion with GNN Distillation and Probabilistic Interaction Modeling},
author = {Lingzhi Wang and Pengcheng Huang and Haotian Li and Yuliang Wei and Guodong Xin and Rui Zhang and Donglin Zhang and Zhenzhou Ji and Wei Wang},
journal= {arXiv preprint arXiv:2505.12272},
year = {2025}
}