Flock：一种通过在随机漫步上学习的知识图谱基础模型
机器学习
2026-05-11 v3
摘要
我们研究了在知识图谱（KGs）上进行零样图链接预测的问题，这需要模型能够泛化到新的实体和新的关系。知识图谱基础模型（KGFMs）通过对节点和关系都施加等变性来解决此任务，这使它们能够学习节点和关系的结构属性，这些属性可转移到具有相似结构的新知识图谱。然而，传统的确定性等变性本质上限制了 KGFMs 的表征能力，因为它防止它们区分结构相似但语义不同的关系。为克服这一限制，我们提出利用概率节点-关系等变性，这在保持等变性分布的同时，通过结构随机性在推断时打破对称性。基于这一原则，我们提出了 Flock，一种迭代采样随机漫步、将其编码为序列、使用序列模型嵌入，并通过学习的池化聚合节点和关系表示的 KGFM。Flock 遵循概率节点-关系等变性，关键的是它是针对 KGS 上面向链接级别的等变函数的通用逼近器。经验上，Flock 完美地解决了我们新的诊断数据集 Petals（当前 KGFMs 在该数据集上无法解决），并在来自多种领域的 54 个知识图谱上的实体和关系预测任务中实现了最先进的性能。代码已公开 https://github.com/jw9730/flock。
引用
@article{arxiv.2510.01510,
title = {Flock: A Knowledge Graph Foundation Model via Learning on Random Walks},
author = {Jinwoo Kim and Xingyue Huang and Krzysztof Olejniczak and Kyungbin Min and Michael Bronstein and Seunghoon Hong and İsmail İlkan Ceylan},
journal= {arXiv preprint arXiv:2510.01510},
year = {2026}
}
备注
42 pages, 7 figures