不归之河：用于高效知识图谱推理的图渗流嵌入
人工智能
2023-05-18 v1
摘要
我们研究基于图神经网络（GNNs）的知识图谱（KG）推理嵌入技术。我们首次将最先进的基于路径编码和消息传递的 KG 推理模型中的路径冗余问题联系到模型训练中的变换误差，这为 KG 推理带来了新的理论见解，以及实践中的高效性。在理论方面，我们分析了 KG 路径中变换误差的熵，并指出引起熵增加的查询特定冗余路径。这些发现引导我们保留最短路径并移除冗余路径，以实现最小熵消息传递。为实现这一目标，在实践方面，我们受流体力学中渗流模型的启发，提出了一种高效的图渗流过程，并设计了一个轻量级的基于 GNN 的 KG 推理框架，称为图渗流嵌入（GraPE）。GraPE 在转导和归纳推理任务中均优于先前的最先进方法，同时需要更少的训练参数和更短的推理时间。
引用
@article{arxiv.2305.09974,
title = {River of No Return: Graph Percolation Embeddings for Efficient Knowledge Graph Reasoning},
author = {Kai Wang and Siqiang Luo and Dan Lin},
journal= {arXiv preprint arXiv:2305.09974},
year = {2023}
}
备注
9 pages, 2 figures