GMH：一种用于知识图谱补全的通用多跳推理模型

知识图谱对众多下游自然语言处理应用至关重要，但通常不完整且缺失许多事实。这催生了关于多跳推理任务的研究，该任务可表述为一个搜索过程，而当前模型通常只进行短距离推理。然而，长距离推理同样关键，其具备连接表面无关实体的能力。据我们所知，缺乏一种在长短距离混合推理场景中处理多跳推理的通用框架。我们认为，一个通用多跳推理模型有两个关键问题：i) 去往何处，以及 ii) 何时停止。因此，我们提出一个通过三个模块解决这些问题的通用模型：1) 局部-全局知识模块以估计可能路径，2) 差异化动作丢弃模块以探索多样化路径集合，3) 自适应停止搜索模块以避免过度搜索。在三个数据集上的综合结果表明，我们的模型在短距离与长距离推理场景中均显著优于基线。