基于关系有向图的知识图谱推理
人工智能
2022-01-24 v2 计算与语言
摘要
知识图谱（KG）上的推理旨在从已有事实推断新事实。基于关系路径的方法已展现出强大、可解释且可迁移的推理能力。然而，路径在捕捉图中的局部证据方面天然受限。本文引入一种新颖的关系结构，即关系有向图（r-digraph），它由重叠的关系路径组成，以捕捉 KG 的局部证据。由于 r-digraph 比路径更复杂，如何高效构建并从中有效学习是一大挑战。直接编码 r-digraph 难以良好扩展，且在 r-digraph 中捕捉查询依赖信息也很困难。我们提出一种图神经网络的变体，即 RED-GNN，以应对上述挑战。具体而言，RED-GNN 利用动态规划以共享边递归编码多个 r-digraph，并利用查询依赖的注意力机制筛选强相关边。我们证明 RED-GNN 不仅高效，而且在归纳与直推推理任务中相较现有方法均能取得显著性能提升。此外，RED-GNN 中学习到的注意力权重可为 KG 推理提供可解释的证据。
引用
@article{arxiv.2108.06040,
title = {Knowledge Graph Reasoning with Relational Digraph},
author = {Yongqi Zhang and Quanming Yao},
journal= {arXiv preprint arXiv:2108.06040},
year = {2022}
}