重新思考图卷积网络在知识图谱补全中的作用
人工智能
2022-02-14 v1 机器学习
摘要
图卷积网络(GCNs)——善于建模图结构——在知识图谱补全(KGC)中日益流行。基于GCN的KGC模型首先利用GCNs生成具有表达力的实体表示，然后使用知识图谱嵌入(KGE)模型捕捉实体与关系间的交互。然而，许多基于GCN的KGC模型虽引入了额外计算复杂度，却未能超越最先进的KGE模型。这一现象促使我们探究GCNs在KGC中的真实作用。因此，本文在代表性基于GCN的KGC模型基础上引入变体，以找出GCNs中哪一因素对KGC至关重要。令人惊讶的是，实验观察到GCNs中的图结构建模对KGC模型性能并无显著影响，这与普遍认知相悖。相反，实体表示的变换才是性能提升的原因。基于该观察，我们提出一个简洁而有效的框架LTE-KGE，其为现有KGE模型配备线性变换的实体嵌入。实验表明，LTE-KGE模型取得了与基于GCN的KGC方法相似的性能提升，同时计算更高效。这些结果表明现有GCNs对KGC并非必要，新颖的基于GCN的KGC模型应借助更多消融研究来验证其有效性。所有实验代码已发布于GitHub: https://github.com/MIRALab-USTC/GCN4KGC。
引用
@article{arxiv.2202.05679,
title = {Rethinking Graph Convolutional Networks in Knowledge Graph Completion},
author = {Zhanqiu Zhang and Jie Wang and Jieping Ye and Feng Wu},
journal= {arXiv preprint arXiv:2202.05679},
year = {2022}
}
备注
Accepted to WWW 2022