TransNet：面向少样本知识图谱补全的知识迁移
人工智能
2025-04-08 v1 机器学习
摘要
知识图谱（KGs）无处不在并广泛应用于各种任务中。然而，大多数现实世界的知识图谱是不完整的，这显著降低了其在下游任务上的性能。此外，现实世界知识图谱中的关系通常遵循长尾分布，意味着大多数关系仅由少量训练三元组表示。为应对这些挑战，人们引入了少样本学习。少样本知识图谱补全旨在当仅有少量训练三元组可用时，对涉及新关系的三元组做出准确预测。尽管已有许多方法被提出，但它们通常单独学习每个关系，忽略了不同任务之间的相关性以及先前训练任务中的相关信息。在本文中，我们提出了一种基于迁移学习的少样本知识图谱补全方法（TransNet）。通过学习不同任务之间的关系，TransNet有效地从相似任务迁移知识以提升当前任务的性能。此外，通过采用元学习，TransNet能够有效泛化至新的未见关系。在基准数据集上的大量实验证明了TransNet优于SOTA方法。代码可在 https://github.com/lihuiliullh/TransNet/tree/main 找到
引用
@article{arxiv.2504.03720,
title = {TransNet: Transfer Knowledge for Few-shot Knowledge Graph Completion},
author = {Lihui Liu and Zihao Wang and Dawei Zhou and Ruijie Wang and Yuchen Yan and Bo Xiong and Sihong He and Kai Shu and Hanghang Tong},
journal= {arXiv preprint arXiv:2504.03720},
year = {2025}
}