跨异构图的小样本语义关系预测
机器学习
2022-07-13 v1 人工智能
摘要
语义关系预测旨在挖掘异构图中对象之间的隐式关系，异构图由不同类型的对象和不同类型的链接组成。在现实场景中，新的语义关系不断涌现，且通常只带有少量标注数据。由于多种语义关系存在于多个异构图中，可以从一些现有的语义关系中挖掘可迁移知识，以帮助预测带有少量标注数据的新语义关系。这启发了跨异构图的小样本语义关系预测这一新问题。然而，现有方法无法解决这一问题，因为它们不仅需要大量标注样本作为输入，而且专注于具有固定异构性的单一图。针对这一新颖且具挑战性的问题，本文提出了一种基于元学习的图神经网络语义关系预测方法，命名为 MetaGS。首先，MetaGS 将对象间的图结构分解为多个归一化子图，然后采用双视图图神经网络来捕获这些子图的局部异构信息和全局结构信息。其次，MetaGS 利用超原型网络聚合这些子图的信息，该网络能够从现有语义关系中学习并适应新的语义关系。第三，利用初始化良好的双视图图神经网络和超原型网络，MetaGS 能够有效地从不同图中学习新的语义关系，同时克服少量标注数据的限制。在三个真实数据集上的大量实验表明，MetaGS 的性能优于 SOTA 方法。
引用
@article{arxiv.2207.05068,
title = {Few-Shot Semantic Relation Prediction across Heterogeneous Graphs},
author = {Pengfei Ding and Yan Wang and Guanfeng Liu and Xiaofang Zhou},
journal= {arXiv preprint arXiv:2207.05068},
year = {2022}
}