S$^2$DN：用于归纳知识图谱完成的去噪无说服力知识学习

Tengfei Ma; Yujie Chen; Liang Wang; Xuan Lin; Bosheng Song; Xiangxiang Zeng

S$^2$DN：用于归纳知识图谱完成的去噪无说服力知识学习

机器学习 2024-12-23 v1 人工智能计算与语言

作者: Tengfei Ma , Yujie Chen , Liang Wang , Xuan Lin , Bosheng Song , Xiangxiang Zeng

摘要

归纳知识图谱完成 (KGC) 旨在推断知识图谱 (KGs) 中新兴实体之间的缺失事实，具有重要挑战性。尽管最近的研究在通过知识子图推理推断此类实体方面取得了有前景的成果，但它们受制于 (i) 类似关系的语义不一致性，以及 (ii) 由于新兴实体的无说服力知识而在 KGs 中固有的噪声互动。为解决这些挑战，我们提出了一种语义结构感知去噪网络 (S $^2$ DN) 用于归纳 KGC。我们的目标是学习可适应的通用语义和可靠结构，以提炼一致的语义知识，同时保持 KGs 中的可靠互动。具体而言，我们在包围子图上引入语义平滑模块，以保留关系的通用语义知识。我们包含结构细化模块，以过滤不可靠的互动并提供额外知识，保留围绕目标链接的稳健结构。在三个基准 KGs 上进行的大量实验表明，S $^2$ DN 超越了最新模型的性能。这些结果表明 S $^2$ DN 在保持语义一致性和增强过滤 KGs 中不可靠互动的鲁棒性方面具有有效性。

关键词

知识图谱完成语义结构感知去噪归纳学习噪声互动子图推理

引用

@article{arxiv.2412.15822,
  title  = {S$^2$DN: Learning to Denoise Unconvincing Knowledge for Inductive Knowledge Graph Completion},
  author = {Tengfei Ma and Yujie Chen and Liang Wang and Xuan Lin and Bosheng Song and Xiangxiang Zeng},
  journal= {arXiv preprint arXiv:2412.15822},
  year   = {2024}
}

备注

15 pages

S$^2$DN：用于归纳知识图谱完成的去噪无说服力知识学习

摘要

关键词

引用

备注

相关论文