GraphOracle：基于关系依赖图的高效全归纳知识图谱推理
机器学习
2025-12-30 v2
摘要
知识图谱在全归纳设置下的推理仍是一个开放性挑战——即在测试时间既未见实体也未见关系。本文引入GraphOracle，一种新型框架，通过将每个知识图谱转换为关系依赖图（RDG），实现稳健的全归纳推理。RDG编码了关系之间的有向前导链接，捕获关键组合模式，同时大幅降低图的稀疏度。以查询关系为条件，多头注意力机制在RDG上传播信息，以产生上下文感知的关系嵌入。这些嵌入随后指导第二个图神经网络对原始知识图谱进行归纳消息传递，实现对全新实体和关系的预测。60个基准实验表明，GraphOracle在全归纳场景下比先前方法提升最高可达25%，跨域场景下提升最高可达28%。我们的分析进一步确认，紧凑的RDG结构和注意力机制的传播是高效且准确推广的关键。
关键词
引用
@article{arxiv.2505.11125,
title = {GraphOracle: Efficient Fully-Inductive Knowledge Graph Reasoning via Relation-Dependency Graphs},
author = {Enjun Du and Siyi Liu and Yongqi Zhang},
journal= {arXiv preprint arXiv:2505.11125},
year = {2025}
}