面向少样本知识图谱补全的层次化关系学习
机器学习
2025-06-05 v4 人工智能
计算机视觉与模式识别
摘要
知识图谱（KGs）以其推理能力见长，但也因其不完备性及关系的长尾分布而著称。为应对这些挑战并扩展 KGs 的覆盖范围，少样本 KG 补全旨在仅提供少量训练三元组作为参考时，对涉及新颖关系的三元组进行预测。先前的方法侧重于设计局部邻居聚合器以学习实体级信息，和/或在三元组级施加可能无效的序列依赖假设以学习元关系信息。然而，对于学习少样本关系的元表示，成对三元组级交互与上下文级关系信息在很大程度上被忽视。本文中，我们提出一种用于少样本 KG 补全的层次化关系学习方法（HiRe）。通过联合捕获三个层级的关系信息（实体级、三元组级与上下文级），HiRe 能有效学习并精炼少样本关系的元表示，从而很好地泛化至新的未见关系。在基准数据集上的大量实验验证了 HiRe 相对于最先进方法的优越性。代码见 https://github.com/alexhw15/HiRe.git。
引用
@article{arxiv.2209.01205,
title = {Hierarchical Relational Learning for Few-Shot Knowledge Graph Completion},
author = {Han Wu and Jie Yin and Bala Rajaratnam and Jianyuan Guo},
journal= {arXiv preprint arXiv:2209.01205},
year = {2025}
}
备注
Published at ICLR 2023