全局观察与推理：稀疏知识图谱上的两阶段路径推理

稀疏知识图谱（KGs）在现实世界应用中常见，由于包含的事实数量（主体实体、关系、尾实体）较少，相对于更密集的知识图谱而言更为稀疏。稀疏知识图谱完成任务——即对以（主体实体、关系、？）形式的查询进行答案推理——由于需要基于有限的事实推理缺失的事实而尤为具有挑战性。基于路径的模型因其优异的可解释性而常用于此任务。然而，现有的基于路径的模型通常依赖外部模型填充缺失的事实后再进行路径推理。这种方法引入不可解释的因素或需要精心设计规则。鉴于此，本文提出一种通过内部分析而非寻求外部帮助的替代方法。我们引入一种名为 LoGRe（Look Globally and Reason）的两阶段路径推理模型，用于稀疏知识图谱。LoGRe 通过全局分析训练数据构建关系-路径推理模式，以缓解稀疏性问题。基于该模式，LoGRe 然后聚合路径进行推理。在五个基准稀疏 KG 数据集上的实验结果表明，所提出的 LoGRe 模型有效。