面向全归纳知识图谱补全的关系消息传递方法
人工智能
2023-01-02 v2
摘要
在知识图谱补全(KGC)中，预测在KG嵌入学习时未出现的新兴实体和/或关系构成的三元组已成为一项关键挑战。基于子图推理与消息传递是一种有前景且流行的解决方案。一些近期方法取得了良好性能，但它们(i)通常只能预测仅涉及未出现实体的三元组，无法应对更现实的同时包含未出现实体与未出现关系的全归纳情形，且(ii)常在实体上进行消息传递，未能充分利用关系模式。在本研究中，我们提出一种名为RMPI的新方法，其使用一种新颖的关系消息传递网络用于全归纳KGC。它在关系之间直接传递消息，通过图变换、图剪枝、关系感知邻域注意力、处理空子图等新技术充分利用关系模式进行子图推理，并能够利用KG本体模式中所定义的关系语义。在多个基准上的广泛评估表明了RMPI所涉及技术的有效性，以及其相较于现有支持全归纳KGC方法的更优性能。RMPI也可与最先进的半归纳KGC方法相媲美，并取得了非常有前景的结果。我们的代码与数据可在https://github.com/zjukg/RMPI获取。
引用
@article{arxiv.2210.03994,
title = {Relational Message Passing for Fully Inductive Knowledge Graph Completion},
author = {Yuxia Geng and Jiaoyan Chen and Jeff Z. Pan and Mingyang Chen and Song Jiang and Wen Zhang and Huajun Chen},
journal= {arXiv preprint arXiv:2210.03994},
year = {2023}
}
备注
Accepted by ICDE 2023