一子图通用：基于开放子图的高效推理用于归纳知识图谱补全
计算与语言
2024-04-25 v1
摘要
知识图谱补全（KGC）近年来引起了广泛的研究兴趣，大多数现有方法遵循直推式设置，其中所有实体在训练期间都被观察到。尽管直推式KGC取得了巨大进展，但这些方法难以在涉及未见实体的新兴知识图谱上进行推理。因此，归纳式KGC旨在推断未见实体之间的缺失链接，已成为一个新趋势。许多现有研究通过提取每个候选三元组周围的封闭子图，将归纳式KGC转化为图分类问题。然而，它们仍然面临一些挑战，例如由于重复提取封闭子图导致的时间消耗昂贵，以及缺乏与实体无关的特征学习。为了解决这些问题，我们提出了一种用于归纳式KGC的全局-局部锚点表示（GLAR）学习方法。与以往使用封闭子图的方法不同，我们为所有候选三元组提取一个共享的开放子图，并在其上执行推理，使模型能够更高效地进行推理。此外，我们设计了一些可迁移的全局和局部锚点，以学习新兴实体的丰富且与实体无关的特征。最后，在开放子图上应用全局-局部图推理模型对所有候选三元组进行排序。大量实验表明，我们的GLAR优于大多数现有的最先进方法。
引用
@article{arxiv.2404.15807,
title = {One Subgraph for All: Efficient Reasoning on Opening Subgraphs for Inductive Knowledge Graph Completion},
author = {Zhiwen Xie and Yi Zhang and Guangyou Zhou and Jin Liu and Xinhui Tu and Jimmy Xiangji Huang},
journal= {arXiv preprint arXiv:2404.15807},
year = {2024}
}