大规模知识图谱上的单次子图推理

为了在知识图谱（KG）上推导新事实，链接预测器需要从图结构中学习并收集局部证据来找到给定查询的答案。然而，现有方法由于依赖整个 KG 进行预测，存在严重的可扩展性问题，这阻碍了其在大规模 KG 上的应用，无法被普通采样方法直接解决。本文提出了单次子图链接预测，以实现高效且自适应的预测。设计原则是：与其直接作用于整个 KG，不如将预测过程分解为两个步骤，即（i）根据查询提取仅一个子图，（ii）在该单个、查询相关的子图上进行预测。我们揭示了非参数且计算高效的启发式方法个人化 PageRank（PPR）能够有效识别潜在答案和支持证据。通过高效的子图-based 预测，我们进一步引入了在数据空间和模型空间中自动搜索最佳配置的能力。经实证，我们在五个大规模基准测试上实现了提升的效率和领先的性能。代码已公开 available at: https://github.com/tmlr-group/one-shot-subgraph。