基于元学习的时序知识图知识外推
人工智能
2023-02-14 v1 机器学习
摘要
近年来，通过学习实体与关系的嵌入来完成知识图(KG)补全的方法引起了广泛关注。时序知识图(TKG)通过将静态三元组与时间戳关联形成四元组，扩展了传统知识图(KG)。与转导设定下的KG和TKG不同，不完备TKG中不断涌现的实体与关系产生了利用未见成分预测缺失事实的需求，即外推设定。传统的时序知识图嵌入(TKGE)方法在外推设定下存在局限，因为它们是在固定成分集合内训练的。本文提出一种基于元学习的时序知识图外推(MTKGE)模型，该模型在现有TKG上采样的链接预测任务上训练，并在具有未见实体与关系的涌现TKG上测试。具体而言，我们对一个捕获关系间相对位置模式与时序模式的GNN框架进行元训练。所学得的模式嵌入可迁移用于嵌入未见成分。在两个不同的TKG外推数据集上的实验结果表明，MTKGE持续优于现有的知识图外推SOTA模型以及专门适配的KGE与TKGE基线。
引用
@article{arxiv.2302.05640,
title = {Meta-Learning Based Knowledge Extrapolation for Temporal Knowledge Graph},
author = {Zhongwu Chen and Chengjin Xu and Fenglong Su and Zhen Huang and You Dou},
journal= {arXiv preprint arXiv:2302.05640},
year = {2023}
}