理解超关系知识图谱上的嵌入模型
机器学习
2025-08-06 v1 计算与语言
社会与信息网络
摘要
最近，超关系知识图谱（HKGs）被提出作为传统知识图谱（KGs）的扩展，以更好地表示包含额外限定符的真实世界事实。因此，研究人员尝试通过设计额外的限定符处理模块来适配经典知识图谱嵌入（KGE）模型用于 HKGs。然而，究竟是超关系 KGE（HKGE）模型的性能优势源于其基础 KGE 模型，还是来自专门设计的扩展模块，仍不明确。因此，本文我们使用三种分解方法将 HKGs 数据格式转换为 KG 格式，然后在 HKGs 上评估几个经典 KGE 模型的性能。我们的结果表明，一些 KGE 模型的性能可与 HKGE 模型相当。进一步分析发现，分解方法改变了原始 HKG 拓扑结构，未能完全保留 HKG 信息。此外，我们观察到当前 HKGE 模型要么在捕获图的长程依赖方面不足，要么因信息压缩问题而难以整合主三元组和限定符信息。为进一步证实我们的发现并为未来 HKGE 研究提供潜在方向，我们提出 FormerGNN 框架。该框架采用限定符整合器保留原始 HKG 拓扑结构，利用基于图的编码器捕获图的长程依赖，然后采用改进的方法整合主三元组和限定符信息以缓解压缩问题。我们的实验结果表明，FormerGNN 在现有 HKGE 模型中取得了优异的性能。
引用
@article{arxiv.2508.03280,
title = {Understanding the Embedding Models on Hyper-relational Knowledge Graph},
author = {Yubo Wang and Shimin Di and Zhili Wang and Haoyang Li and Fei Teng and Hao Xin and Lei Chen},
journal= {arXiv preprint arXiv:2508.03280},
year = {2025}
}
备注
Accepted by CIKM 2025