面向知识图谱少样本归纳链接预测：一种关系匿名游走引导的神经过程方法

知识图谱（KG）上的少样本归纳链接预测旨在为观测到少样本链接的未见过实体预测缺失链接。先前方法局限于转导场景，即实体存在于知识图谱中，故无法处理未见过实体。因此，近期归纳方法利用未见过实体周围的子图获取语义并归纳预测链接。然而，在少样本设定下，子图通常稀疏且无法提供有意义的归纳模式。本文中，我们提出一种新颖的关系匿名游走引导的神经过程用于知识图谱少样本归纳链接预测，记为 RawNP。具体而言，我们开发基于神经过程的方法建模链接预测函数上的灵活分布。这使模型能快速适应新实体并在预测时估计不确定性。为捕获通用归纳模式，我们提出关系匿名游走从少样本观测中提取一系列关系基序。这些基序揭示了支持归纳预测的 KG 上独特语义模式。在典型基准数据集上的大量实验表明我们的模型取得了新的最先进性能。