利用概念感知信息的时序知识图谱少样本归纳学习
人工智能
2022-11-16 v1 机器学习
摘要
知识图谱补全（KGC）旨在预测知识图谱（KG）实体间缺失的链接。尽管已开发多种KGC方法，多数仅能处理训练集中所见KG实体，在预测测试集中涉及新实体的链接时表现不佳。时序知识图谱（TKG）中存在类似问题，且此前尚无时序知识图谱补全（TKGC）方法用于建模新出现实体。相较于KG，TKG需时序推理技术建模，这自然增加了处理新颖未见实体的难度。本文关注TKG上未见实体表示的归纳学习。我们提出TKG的少样本图外（OOG）链接预测任务，利用元学习框架并仅借助每个未见实体少量关联边提供的元信息，从涉及未见实体的链接中预测缺失实体。我们构建了三个用于TKG少样本OOG链接预测的新数据集，并提出一种挖掘实体间概念感知信息的模型。实验结果表明，我们的模型在全部三个数据集上均取得优越性能，且概念感知建模组件展现出强效作用。
引用
@article{arxiv.2211.08169,
title = {Few-Shot Inductive Learning on Temporal Knowledge Graphs using Concept-Aware Information},
author = {Zifeng Ding and Jingpei Wu and Bailan He and Yunpu Ma and Zhen Han and Volker Tresp},
journal= {arXiv preprint arXiv:2211.08169},
year = {2022}
}
备注
Automated Knowledge Base Construction 2022 Conference Paper, Honorable Mention