面向增强知识图谱链接预测中关系规则的方法
计算与语言
2023-10-23 v1
摘要
图神经网络(GNNs)在知识图谱推理中展现出良好性能。一种称为渐进式关系图神经网络(PRGNN)的GNN变体，利用关系规则推断关系有向图中的缺失知识并取得了显著结果。然而，在使用PRGNN进行推理时，两个重要性质常被忽视：(1)关系组合的序列性，即不同关系组合的顺序影响关系规则的语义；(2)实体信息传播的滞后性，即所需信息的传播速度滞后于新实体出现的速度。忽略这些性质会导致错误的关系规则学习并降低推理精度。为解决这些问题，我们提出一种新颖的知识图谱推理方法——关系规则增强图神经网络(RUN-GNN)。具体而言，RUN-GNN采用查询相关融合门单元来建模关系组合的序列性，并利用缓冲更新机制缓解实体信息滞后传播的负面影响，从而实现更高质量的关系规则学习。在多个数据集上的实验结果表明，RUN-GNN在转导式与归纳式链接预测任务上均具有优越性。
引用
@article{arxiv.2310.13411,
title = {Towards Enhancing Relational Rules for Knowledge Graph Link Prediction},
author = {Shuhan Wu and Huaiyu Wan and Wei Chen and Yuting Wu and Junfeng Shen and Youfang Lin},
journal= {arXiv preprint arXiv:2310.13411},
year = {2023}
}
备注
Accepted at Findings of EMNLP2023