扩展范围：基于多起始点递进传播的归纳式知识图谱推理
计算与语言
2024-07-16 v1 人工智能
摘要
知识图谱（KGs）被广泛认为是不完整的，且新实体在现实世界中不断涌现。归纳式知识图谱推理旨在预测这些新实体的缺失事实。目前存在的模型中，基于图神经网络（GNNs）的模型在该任务上表现前景十分乐观。然而，这些模型仍面临由于距离和可扩展性问题导致的消息传递效率低下的挑战。本文提出一种新的归纳式知识图谱推理模型 MStar，通过利用条件消息传递神经网络（C-MPNNs）实现。我们的关键思想是选择多个查询特定的起始实体以扩展递进传播的范围。为在有限步数内将查询相关消息传递至更远的区域，我们随后设计了一个高速公路层来传播关于这些所选起始实体的信息。此外，我们引入一种称为 LinkVerify 的训练策略以减轻噪声训练样本的影响。实验结果表明，MStar 在各种基尼模型中实现了卓越的性能，尤其对于遥远的实体效果尤为突出。
引用
@article{arxiv.2407.10430,
title = {Expanding the Scope: Inductive Knowledge Graph Reasoning with Multi-Starting Progressive Propagation},
author = {Zhoutian Shao and Yuanning Cui and Wei Hu},
journal= {arXiv preprint arXiv:2407.10430},
year = {2024}
}
备注
Accepted in the 23rd International Semantic Web Conference (ISWC 2024)