超关系知识图谱建模的超边展开泛化
人工智能
2024-11-12 v1 机器学习
摘要
通过将知识表示为带有附加属性-值限定符的主要三元组，超关系知识图谱（HKG）作为对基于三元组的知识图谱（KG）的泛化近期吸引了研究关注。与KG相比，HKG在语义限定符以及超关系图结构方面更加丰富。然而，现有研究主要聚焦于HKG中的语义信息或结构信息，二者均未能同时捕捉。为解决这一问题，本文我们泛化了超图学习中的超边展开，并提出一种用于HKG建模的等价变换，称为TransEQ。具体而言，该等价变换将HKG转换为同时考虑语义和结构特征的KG。随后开发了一个编码器-解码器框架以桥接KG与HKG的建模研究。在编码器部分，利用基于KG的图神经网络进行结构建模；在解码器部分，利用各种基于HKG的评分函数进行语义建模。特别地，我们设计了编码器-解码器框架中的共享嵌入机制以捕捉语义相关性。我们进一步从理论上证明了TransEQ在等价变换中保持完整信息，并实现了完全表达能力。最后，在三个基准数据集上的大量实验证明了TransEQ在有效性和效率方面的优越性能。在最大基准数据集WikiPeople上，TransEQ将最先进模型的MRR显著提升了15%。
引用
@article{arxiv.2411.06191,
title = {Generalizing Hyperedge Expansion for Hyper-relational Knowledge Graph Modeling},
author = {Yu Liu and Shu Yang and Jingtao Ding and Quanming Yao and Yong Li},
journal= {arXiv preprint arXiv:2411.06191},
year = {2024}
}