用于归纳知识图谱完成的逻辑推理与关系网络
人工智能
2024-07-23 v2
摘要
归纳知识图谱完成（KGC）旨在推断一组新出现的实体（此类实体在训练集中从未出现）的缺失关系。这种设置更贴近现实，因为现实中的知识图谱不断演化并引入新知识。最近的研究表明，使用消息传递对子图进行嵌入可为归纳KGC取得令人鼓舞的效果。然而，这些方法的归纳能力通常受到两个关键问题的限制。（i）KGC始终存在数据稀疏问题，归纳KGC的情况更为严重，因为新实体常常与原始知识图谱的连接有限或没有。（ii）冷启动问题。仅通过从少数邻居收集局部信息来为新实体生成表示方法过于粗糙，难以进行精确的知识图谱推理。为此，我们提出了一种新型归纳信息最大化关系网络，称为NORAN，用于归纳知识图谱完成。具体而言，NORAN以关系为中心，提供了对知识图谱建模的超视图，其中关系之间的相关性可自然地作为与实体无关的逻辑证据，用于进行归纳KGC。大量实验结果表明，我们的框架在五个基准数据集上显著优于当前最先进的KGC方法。
引用
@article{arxiv.2406.01140,
title = {Logical Reasoning with Relation Network for Inductive Knowledge Graph Completion},
author = {Qinggang Zhang and Keyu Duan and Junnan Dong and Pai Zheng and Xiao Huang},
journal= {arXiv preprint arXiv:2406.01140},
year = {2024}
}
备注
30th SIGKDD Conference on Knowledge Discovery and Data Mining