用于少样本知识图谱补全的不确定性感知关系图神经网络
计算与语言
2024-03-22 v2
摘要
少样本知识图谱补全 (FKGC) 旨在给定关系的少量参考实体对，查询该关系的未见事实。由于实体和三元组的不确定性导致的噪声副作用可能会限制少样本学习，但现有的 FKGC 工作忽视了这种不确定性，使它们更容易受到带有噪声的有限参考样本的影响。在本文中，我们提出了一种新颖的不确定性感知少样本知识图谱补全框架 (UFKGC)，通过学习高斯分布下的表示来对不确定性进行建模，从而更好地理解有限数据。首先设计不确定性表示，用于在将特征表示转换为高斯分布后估计实体对的不确定性范围。此外，为了更好地整合具有不确定性特征的邻居以获取实体特征，我们设计了一种不确定性感知关系图神经网络 (UR-GNN)，以在高斯分布之间进行卷积运算。然后，在高斯分布内对参考三元组进行多次随机采样，以在优化过程中生成平滑的参考表示。每个查询实例的最终补全得分通过设计的不确定性优化来衡量，使我们的方法在少样本场景中对噪声更具鲁棒性。实验结果表明，与竞争对手相比，我们的方法在两个基准数据集上取得了优异的性能。
引用
@article{arxiv.2403.04521,
title = {Uncertainty-Aware Relational Graph Neural Network for Few-Shot Knowledge Graph Completion},
author = {Qian Li and Shu Guo and Yinjia Chen and Cheng Ji and Jiawei Sheng and Jianxin Li},
journal= {arXiv preprint arXiv:2403.04521},
year = {2024}
}