用于归纳关系推理的消息互通机制
人工智能
2024-10-28 v1 信息检索
摘要
知识图的归纳关系推理旨在推断全新实体之间缺失的链接，已引起越来越多的关注。基于图归纳学习开发的模型（称为 GraIL 基模型）在该任务上展现出良好潜力。然而，单向消息传递机制阻碍了此类模型利用有向图中实体间隐藏的相互关系。此外，大多数 GraIL 基模型中的封闭子图提取限制了模型提取足够判别信息以进行推理的能力。因此，这些模型的表达能力受限。为解决上述问题，我们提出一种新颖的 GraIL 基归纳关系推理模型，称为 MINES，通过在邻居增强子图上引入消息互通机制实现。具体而言，消息互通机制旨在捕获被忽略的隐藏互信息，其通过在单向 RGCN 层之间插入无向/双向 GCN 层，在相连实体间引入双向信息交互。此外，受其他基于图的任务中纳入更多邻居的成功经验启发，我们将邻域范围扩展至封闭子图之外，以增强归纳关系推理的信息收集。在十二个归纳基准数据集上的大量实验表明，我们的 MINES 优于现有的最先进模型，并证明了我们的互通机制及在邻居增强子图上推理的有效性。
引用
@article{arxiv.2305.14074,
title = {Message Intercommunication for Inductive Relation Reasoning},
author = {Ke Liang and Lingyuan Meng and Sihang Zhou and Siwei Wang and Wenxuan Tu and Yue Liu and Meng Liu and Xinwang Liu},
journal= {arXiv preprint arXiv:2305.14074},
year = {2024}
}
备注
This work has been submitted to the IEEE for possible publication