ReCDAP：基于关系的条件扩散与注意力池化的少样本知识图谱补全
人工智能
2025-05-13 v1 信息检索
摘要
知识图谱 (KG) 由形式为 (head, relation, tail) 的三元组组成，包含实体和关系，在问答、实体搜索和推荐等信息检索系统中发挥关键作用。在现实世界的知识图谱中，尽管存在许多实体，但关系呈长尾分布，这会阻碍信息检索性能。以往的少样本知识图谱补全研究仅关注图中存在的正三元信息，或在纳入负三元时仅将其用作指示错误三元的信号。为克服这一限制，我们提出了基于关系的条件扩散与注意力池化方法 (ReCDAP)。首先，通过随机替换支持集中的尾实体来生成负三元。通过条件性地将KG中的正信息和非存在的负信息纳入扩散过程中，模型分别估计正负关系的潜在分布。此外，包括注意力池化器可使模型显式地利用正负案例之间的差异。在两个广泛使用的数据集上的实验表明，我们的方法优于现有方法，实现了最先进的性能。代码已在 https://github.com/hou27/ReCDAP-FKGC 上提供。
引用
@article{arxiv.2505.07171,
title = {ReCDAP: Relation-Based Conditional Diffusion with Attention Pooling for Few-Shot Knowledge Graph Completion},
author = {Jeongho Kim and Chanyeong Heo and Jaehee Jung},
journal= {arXiv preprint arXiv:2505.07171},
year = {2025}
}
备注
Accepted by SIGIR 2025, 5 pages, 1 figure