快速节俭的文本-图Transformer是有效的链接预测器

我们提出了快速节俭的文本-图（FnF-TG）Transformer，这是一个基于Transformer的框架，统一了文本信息和结构信息，用于文本属性知识图中的归纳链接预测。我们证明，通过有效编码自我图（1跳邻域），我们可以减少对资源密集型文本编码器的依赖。这使得模型在训练和推理时都快速，并且在成本上节俭。我们在三个流行数据集上进行了全面评估，结果表明FnF-TG相比之前的最先进方法可以实现更优性能。我们还将归纳学习扩展到完全归纳设置，其中关系不依赖于传递式（固定）表示，如先前工作，而是其文本描述的函数。此外，我们引入了现有数据集的新变体，专门设计用于测试模型在推理时未见关系的性能，从而为完全归纳链接预测提供了新的测试基准。