探索与利用高阶图结构用于稀疏知识图谱补全

稀疏知识图谱（KG）场景对以往的知识图谱补全（KGC）方法提出了挑战，即补全性能随图稀疏度增加而快速下降。由于实际应用中稀疏 KG 的广泛存在，该问题进一步加剧。为缓解此挑战，我们提出了一种新颖框架 LR-GCN，能够自动捕获实体间有价值的长程依赖以补充不充分的结构特征，并为稀疏 KGC 提炼逻辑推理知识。所提方法包含两个主要组件：基于 GNN 的预测器与推理路径蒸馏器。推理路径蒸馏器探索推理路径等高阶图结构，并将其编码为富语义边，显式地将长程依赖组合进预测器。该步骤在稠密化 KG 方面也发挥关键作用，有效缓解稀疏问题。此外，路径蒸馏器进一步从这些挖掘出的推理路径中向预测器蒸馏逻辑推理知识。这两个组件使用精心设计的变分 EM 算法联合优化。在四个稀疏基准上的大量实验与分析证明了我们所提方法的有效性。