面向知识图谱归纳式链接预测的 subgraph 邻域关系互信息最大化
人工智能
2022-08-29 v3 机器学习
摘要
知识图谱的归纳式链接预测旨在预测未见实体（即训练阶段未出现实体）之间的缺失链接。以往多数工作学习实体特定的嵌入，无法处理未见实体。近期若干方法利用包围子图获得归纳能力。然而，这些工作仅考虑子图的包围部分而缺少完整的邻域关系，导致部分邻域关系被忽略，且稀疏子图难以处理。为此，我们提出子图邻域关系互信息最大化（SNRI），从两方面充分利用完整邻域关系：用于节点特征的邻域关系特征，以及用于稀疏子图的邻域关系路径。为以全局方式进一步建模邻域关系，我们创新地将互信息（MI）最大化应用于知识图谱。实验表明，SNRI在归纳式链接预测任务上大幅优于现有最先进方法，并验证了以全局方式探索完整邻域关系来刻画节点特征及在稀疏子图上推理的有效性。
引用
@article{arxiv.2208.00850,
title = {Subgraph Neighboring Relations Infomax for Inductive Link Prediction on Knowledge Graphs},
author = {Xiaohan Xu and Peng Zhang and Yongquan He and Chengpeng Chao and Chaoyang Yan},
journal= {arXiv preprint arXiv:2208.00850},
year = {2022}
}
备注
received by IJCAI2022