使用基于路径的神经网络进行知识图谱中的归纳式链接预测
机器学习
2024-07-10 v2
摘要
链接预测是知识图谱中的一个关键研究领域，具有许多下游应用。在许多现实场景中，需要进行归纳式链接预测，即必须在未见实体之间进行预测。基于嵌入的模型通常需要对新的实体嵌入进行微调，因此难以直接应用于归纳式链接预测任务。基于规则的模型捕获的逻辑规则可以直接应用于具有相同图拓扑的新实体，但捕获的规则是离散的且通常缺乏通用性。图神经网络（GNN）可以利用深度神经网络将拓扑信息泛化到新图，但可能仍需要对新的实体嵌入进行微调。在本文中，我们提出SiaILP，一种使用孪生神经网络进行归纳式链接预测的基于路径的模型。我们的模型仅依赖于关系和路径嵌入，可以泛化到新实体而无需微调。实验表明，我们的模型在使用WN18RR、FB15k-237和Nell995的归纳版本进行链接预测任务中取得了多项新的最先进性能。我们的代码可在\url{https://github.com/canlinzhang/SiaILP}获取。
引用
@article{arxiv.2312.10293,
title = {Inductive Link Prediction in Knowledge Graphs using Path-based Neural Networks},
author = {Canlin Zhang and Xiuwen Liu},
journal= {arXiv preprint arXiv:2312.10293},
year = {2024}
}