THOR：面向超关系知识图的归纳链接预测
人工智能
2026-02-09 v2
摘要
知识图谱（KGs）已成为支持多种应用的关键要素。除了传统的二元三元组表示（关系连接两个实体）外，现代知识图谱观察到的超关系事实日益增多，这些事实通过与三元组相关联的任意数量的限定符提供补充信息，从而进一步描述三元组的丰富语义，显著提升链接预测任务中的推理性能。然而，现有的超关系知识图（HKGs）上的链接预测技术大多聚焦于归纳设置，即从特定知识图谱的词汇中学习嵌入模型，随后仅能在同一词汇范围内进行预测，限制了其对以前未见词汇的可泛化能力。针对这一背景，我们提出 THOR（inducTive link prediction technique for Hyper-relational knOwledge gRaphs），一种面向超关系知识图的归纳链接预测方法。具体而言，我们首先引入关系和实体基础图，建模 HKGs 中事实之间的基本相互作用，这些图对任何特定关系或实体均不敏感。随后，THOR 设计为从两个基础图中学习，采用两个平行图编码器 followed by 一个 transformer 解码器，支持高效的掩码训练和完全归纳的推理。我们在具有不同设置的 12 个数据集上对 THOR 在超关系链接预测任务进行了彻底的评估。结果表明，THOR 在大量基线方法中均取得优异成绩，相较于最佳基于规则、半归纳和完全归纳技术分别提升了 66.1%、55.9% 和 20.4%。一系列消融研究还揭示了我们关键设计因素，这些因素捕获了跨 HKGs 用于归纳任务的结构不变性迁移能力。
引用
@article{arxiv.2602.05424,
title = {THOR: Inductive Link Prediction over Hyper-Relational Knowledge Graphs},
author = {Weijian Yu and Yuhuan Lu and Dingqi Yang},
journal= {arXiv preprint arXiv:2602.05424},
year = {2026}
}