基于高阶图推理网络的可解释稀疏知识图谱补全
机器学习
2022-07-18 v1 人工智能
摘要
知识图谱（KGs）正成为许多应用中日益关键的基础设施，但面临不完备问题。KG 补全任务（KGC）基于不完备 KG 自动预测缺失事实。然而，现有方法在真实场景中表现不佳。一方面，其性能随 KG 稀疏度增加而急剧下降。另一方面，预测的推理过程是不可信的黑箱。本文提出一种用于稀疏 KGC 的新型可解释模型，将高阶推理组合进图卷积网络，即 HoGRN。它不仅能提升泛化能力以缓解信息不足问题，还能在保持模型有效性与高效性的同时提供可解释性。两个主要组件无缝集成以联合优化。首先，高阶推理组件通过捕捉关系间内生相关性学习高质量关系表示，这可反映逻辑规则以佐证更广泛的缺失事实。其次，实体更新组件利用无权重图卷积网络（GCN）以可解释方式高效建模 KG 结构。与传统方法不同，我们在关系空间中进行实体聚合并设计基于组合的注意力，无需额外参数。轻量设计使 HoGRN 更适用于稀疏设置。为评估，我们进行了大量实验——HoGRN 在多个稀疏 KG 上的结果呈现显著提升（平均 9% MRR 增益）。进一步的消融与案例研究证明了主要组件的有效性。我们的代码将在录用后发布。
引用
@article{arxiv.2207.07503,
title = {Explainable Sparse Knowledge Graph Completion via High-order Graph Reasoning Network},
author = {Weijian Chen and Yixin Cao and Fuli Feng and Xiangnan He and Yongdong Zhang},
journal= {arXiv preprint arXiv:2207.07503},
year = {2022}
}
备注
The manuscript under review