基于掩码离散扩散的超关系知识图谱生成式表示学习

超关系知识图谱有效地表示了复杂事实。虽然推断超关系知识图谱中的新知识是一个关键问题，但当前方法将其视为简单的链接预测，假设事实中几乎所有实体和关系都是已知的，仅留下一个空白需要填充。然而，这种受限的假设在现实场景中可能不成立，因为事实的多个甚至所有组成成分可能同时缺失。为弥补这一差距，我们引入了一个称为事实生成的任务：从任意掩码查询生成一个有效的超关系事实，即完成一个部分观察到的事实或从头生成一个事实。我们提出了KREPE，这是第一个用于超关系知识图谱的生成式表示学习方法，它通过学习在局部事实成分和超关系知识图谱全局结构条件下缺失成分的概率分布，通过掩码离散扩散来实现。KREPE通过上下文消息传递建模事实内依赖关系，并通过聚合随机采样的上下文来建模事实间相关性。KREPE在单一训练框架内无缝统一了链接预测和事实生成，在标准超关系知识图谱链接预测基准上取得了最先进的性能，并在生成新颖且正确的事实方面优于基于大语言模型的基线方法。