HyperMono：一种面向超关系知识表示的单调性感知方法
人工智能
2025-07-01 v3 机器学习
摘要
在超关系知识图（HKG）中，每个事实由一个主三元组及与之关联的属性-值限定符组成，用以表达额外的事实知识。超关系知识图补全（HKGC）任务旨在推断 HKG 中合理的缺失链接。现有的大多数 HKGC 方法侧重于增强限定符对与主三元组之间的交互，却忽略了由超关系图表示机制的单调性所产生的两个重要性质。阶段推理允许一个两步推理过程，促进整合仅从主三元组得出的粗粒度推断结果与从带有限定符的超关系事实得出的细粒度推断结果。在初始阶段，粗粒度结果为正确预测提供了上界，随后在细粒度步骤中被细化。更一般地，限定符单调性意味着，通过向主三元组附加更多限定符对，我们只能缩小答案集，而绝不会扩大它。本文提出了用于超关系知识图补全的 HyperMono 模型，该模型实现了阶段推理与限定符单调性。为实现限定符单调性，HyperMono 采用了锥嵌入。在三个真实世界数据集和三种不同场景条件下的实验表明，与 SoTA 相比，HyperMono 展现了优异的性能。
引用
@article{arxiv.2404.09848,
title = {HyperMono: A Monotonicity-aware Approach to Hyper-Relational Knowledge Representation},
author = {Zhiwei Hu and Víctor Gutiérrez-Basulto and Zhiliang Xiang and Ru Li and Jeff Z. Pan},
journal= {arXiv preprint arXiv:2404.09848},
year = {2025}
}