利用知识完成提升机器学习中图嵌入的效果：新冠肺炎传播案例研究
机器学习
2026-01-27 v1 人工智能
摘要
图结构数据的兴起推动了图机器学习（GML）取得重大进展，其中图嵌入（GEs）将来自知识图谱（KGs）的特征映射到向量空间，使节点分类和链路预测等任务得以实现。然而，由于图嵌入源自显式拓扑和特征，可能忽略了 seemingly稀疏数据集中隐藏的关键隐式知识，影响图结构及其表示。我们提出的GML管道集成了知识完成（KC）阶段，以在嵌入生成前揭示数据集的潜在语义。我们聚焦于传递关系，通过衰减基于推理函数建模隐藏连接，重塑图拓扑，对图嵌入空间的几何构成以及GraphSAGE和Node2Vec中的聚合过程产生影响。实验表明，我们的GML管道显著改变了嵌入空间的几何构成，证明其引入不仅是简单的丰富，更是一种重新定义图表示质量的变革性步骤。
引用
@article{arxiv.2511.12071,
title = {Improving Graph Embeddings in Machine Learning Using Knowledge Completion with Validation in a Case Study on COVID-19 Spread},
author = {Rosario Napoli and Gabriele Morabito and Antonio Celesti and Massimo Villari and Maria Fazio},
journal= {arXiv preprint arXiv:2511.12071},
year = {2026}
}
备注
Accepted at the 16th IEEE International Conference on Knowledge Graphs (ICKG) 2025