基于归一化流的神经过程用于少样本知识图谱补全
信息检索
2023-04-18 v1 人工智能
摘要
知识图谱（KGs）作为一种结构化的知识表示形式，已在现实世界中广泛应用。近来，少样本知识图谱补全（FKGC）旨在利用少量关联事实预测未见关系的缺失事实，引起了从业者和研究人员的日益关注。然而，现有的 FKGC 方法基于度量学习或元学习，常受分布外和过拟合问题困扰。同时，它们不擅长估计预测中的不确定性，而这在少样本设定下至关重要，因为模型预测可能非常不可靠。此外，大多数方法无法处理复杂关系并忽略 KGs 中的路径信息，这极大限制了其性能。本文中，我们提出一种基于归一化流的神经过程用于少样本知识图谱补全（NP-FKGC）。具体而言，我们统一归一化流与神经过程来建模 KG 补全函数的复杂分布。这为预测少样本关系事实同时估计不确定性提供了新途径。然后，我们提出一种随机 ManifoldE 解码器以结合神经过程并处理少样本设定下的复杂关系。为进一步提升性能，我们引入一种基于注意力关系路径的图神经网络来捕获 KGs 中的路径信息。在三个公开数据集上的大量实验表明，我们的方法显著优于现有 FKGC 方法并达到了最先进的性能。代码见 https://github.com/RManLuo/NP-FKGC.git。
引用
@article{arxiv.2304.08183,
title = {Normalizing Flow-based Neural Process for Few-Shot Knowledge Graph Completion},
author = {Linhao Luo and Yuan-Fang Li and Gholamreza Haffari and Shirui Pan},
journal= {arXiv preprint arXiv:2304.08183},
year = {2023}
}
备注
Accepted by SIGIR2023