为少样本知识图谱补全学习关系特定表示

近年来，少样本知识图谱补全（FKGC）受到了越来越多的关注，其旨在利用关于某个关系的少量参考三元组，为少样本关系推断未见的查询三元组。现有 FKGC 方法的主要重点在于学习能够反映查询三元组和参考三元组共享的共同信息的关系表示。为此，这些方法从头实体和尾实体的直接邻居中学习实体对表示，然后聚合参考实体对的表示。然而，当涉及的实体具有稀疏的直接邻居或与其他实体共享共同的局部邻域时，仅从直接邻居学习到的实体对表示可能表达能力较低。此外，仅对头实体和尾实体的语义信息进行建模不足以准确推断其关系信息，特别是当它们具有多重关系时。为了解决这些问题，我们提出了一个关系特定上下文学习（RSCL）框架，该框架利用三元组的图上下文为少样本关系学习全局和局部的关系特定表示。具体而言，我们首先为每个三元组提取图上下文，这可以提供长期的实体-关系依赖。为了编码提取的图上下文，我们随后提出了一个分层注意力网络，以捕获三元组的上下文信息并突出实体有价值的局部邻域信息。最后，我们设计了一个混合注意力聚合器，以在全局和局部层面评估查询三元组的似然。在两个公开数据集上的实验结果表明，RSCL 优于最先进的 FKGC 方法。