HEHRGNN：面向具有超边和超关系边的知识图谱的统一嵌入模型

知识图谱 (Knowledge Graph, KG) 因其作为面向人工智能系统进行数据分析的机器可读知识组织形式而受到关注。图神经网络 (Graph Neural Network, GNN) 已被证明是有效的 KG 嵌入技术，使其能够支持链路预测、节点分类和图分类等各种下游任务。然而，KG 嵌入和 GNN 研究的重点大多集中在具有二元关系的简单图上。具体而言，实际的知识库包含大量无法用二元边表示的复杂和 n 元事实。更具体地说，实际的知识库往往由两种类型的 n 元事实混合而成——(i) 需要超边 (hyperedge)，和 (ii) 需要超关系边 (hyper-relational edge)。尽管已有研究为这些 n 元事实类型提供了支持，但它们是为每种类型独立 Pursuit 的。我们提出 $H$yper$E$dge $H$yper-$R$elational edge $GNN$(HEHRGNN)，一种用于同时处理超边和超关系边的 n 元关系 KG 的统一嵌入模型。该模型的两个主要组成部分是 i) HEHR 统一事实表示格式，和 ii) HEHRGNN 编码器，一种具备新颖信息传播模型的 GNN 编码器，能够捕获由超边和超关系边构成的复杂图结构。HEHRGNN 在链路预测任务上的实验结果表明，其作为一种统一的嵌入模型具有有效性，能够对不同类型 n 元事实的数据集进行归纳预测。该模型在超边和超关系数据集上也显示出优于基线模型的改进链路预测性能。