基于反事实增强的知识图谱补全
机器学习
2023-02-28 v1
摘要
近年来，图神经网络（GNNs）通过建模实体与关系的交互在知识图谱补全（KGC）中取得了巨大成功。然而，它们大多被设计为从观测到的图结构学习，而该结构在训练阶段呈现出关系分布不平衡的现象。受知识图谱上实体间因果关系的启发，我们通过一个反事实问题来探究这一缺陷：“若实体的邻域变得与观测不同，该关系是否依然存在？”。通过对知识图谱上因果模型的精心实例化，我们将给定关系下实体对的表示视为上下文、关系感知邻域的结构信息视为处理、所组成三元组的有效性视为结果，从而生成反事实关系以回答该问题。此外，我们将所创建的反事实关系与基于GNN的KG框架相结合，从观测与反事实关系中增强其对实体对表示的学习。在基准数据集上的实验表明，我们所提方法在KGC任务上优于现有方法，取得了新的SOTA结果。并且，我们证明了所提出的基于反事实关系的增强还通过预测的路径解释提升了基于GNN框架的可解释性。
引用
@article{arxiv.2302.13083,
title = {Knowledge Graph Completion with Counterfactual Augmentation},
author = {Heng Chang and Jie Cai and Jia Li},
journal= {arXiv preprint arXiv:2302.13083},
year = {2023}
}
备注
TheWebConf 2023