基于语义超图推理的 n 元关系事实的归纳链接预测
人工智能
2025-03-27 v1 机器学习
摘要
n 元关系事实代表了超过两个实体之间的语义关联。虽然近期研究开发了针对包含 n 元关系事实的知识图谱 (KG) 的链接预测 (LP) 方法，但它们通常局限于归纳设置，即对以前未见过的实体进行预测。完全归纳的设置仍是一个重大挑战。由于现有方法主要基于实体嵌入，难以捕获与实体无关的逻辑规则。为填补这一空白，我们提出一种用于完全归纳链接预测 (ILP) 的 n 元子图推理框架。该框架在局部子图上进行推理，具备强大的归纳推理能力以捕获 n 元模式。具体而言，我们引入一种新型图结构——n 元语义超图，以促进子图提取。此外，我们开发了子图聚合网络 NS-HART 来有效地挖掘子图内的复杂语义关联。从得分函数优化的角度出发，我们理论上对 NS-HART 在 n 元归纳 LP 任务中的有效性进行了 thorough analysis。实验上，我们在一系列归纳基准测试上进行了广泛实验，包括带无实体特征和无实体特征的迁移推理，以及成对子图推理。结果突显了 n 元子图推理框架的优越性以及 NS-HART 异常的归纳能力。本论文的源代码已公开于 https://github.com/yin-gz/Nary-Inductive-SubGraph。
引用
@article{arxiv.2503.20676,
title = {Inductive Link Prediction on N-ary Relational Facts via Semantic Hypergraph Reasoning},
author = {Gongzhu Yin and Hongli Zhang and Yuchen Yang and Yi Luo},
journal= {arXiv preprint arXiv:2503.20676},
year = {2025}
}
备注
To be published in Proceedings of the 31st ACM SIGKDD Conference on Knowledge Discovery and Data Mining V.1 (KDD'25)