基于子图感知与元学习的少样本归纳式链接预测
机器学习
2021-08-03 v1 社会与信息网络
摘要
知识图谱的链接预测旨在预测实体间缺失的关联。现有主流方法局限于直推式设定，难以处理未见过的新实体。近期提出的基于子图的模型为从候选三元组周围子图结构预测链接提供了替代方案。然而，这些方法需要大量已知训练三元组事实，且在仅有少量三元组的关系上表现不佳。本文提出 Meta-iKG，一种新颖的基于子图的元学习器，用于少样本归纳式关系推理。Meta-iKG 利用局部子图迁移子图特定信息，并通过元梯度更快学习可迁移模式。由此，我们发现该模型仅使用少量已知事实即可在归纳式设定下快速适应少样本关系。此外，我们向传统元学习引入大样本关系更新过程，以确保模型在少样本与大样本关系上均能良好泛化。我们在从 NELL 和 Freebase 采样的归纳式基准上评估 Meta-iKG，结果表明 Meta-iKG 在少样本场景与标准归纳式设定下均优于当前最先进方法。
引用
@article{arxiv.2108.00954,
title = {Subgraph-aware Few-Shot Inductive Link Prediction via Meta-Learning},
author = {Shuangjia Zheng and Sijie Mai and Ya Sun and Haifeng Hu and Yuedong Yang},
journal= {arXiv preprint arXiv:2108.00954},
year = {2021}
}
备注
under review