UniHR：用于统一知识图谱链接预测的层次表示学习
计算与语言
2026-03-09 v8 人工智能
摘要
现实世界的知识图谱（KGs）不仅包含标准的三元组事实，还包含更复杂、异构类型的事实，例如具有辅助键值对的超关系事实、具有额外时间戳的时间事实，以及暗示事实之间关系的嵌套事实。这些更丰富的表示形式因其增强的表达能力和对现实场景中复杂语义的建模能力而受到广泛关注。然而，大多数现有研究存在两个主要局限：（1）它们通常只关注建模特定类型的事实，因此难以推广到具有多种事实类型的现实场景；（2）由于这些表示的复杂性，它们在实现可泛化的层次建模（事实间和事实内）方面存在困难。为克服这些局限，我们提出了UniHR，一个统一层次表示学习框架，由学习优化的层次数据表示（HiDR）模块和统一的层次结构学习（HiSL）模块组成。HiDR模块将超关系KGs、时间KGs和嵌套事实KGs统一为三元组表示。然后HiSL结合事实内和事实间的消息传递，重点增强单个事实内的语义信息并丰富事实之间的结构信息。为了超越统一方法本身，我们进一步探索了统一表示在复杂现实场景中的潜力。在5种类型KGs的9个数据集上进行的广泛实验证明了UniHR的有效性，并突显了统一表示的强大潜力。代码和数据可在https://github.com/zjukg/UniHR获取。
引用
@article{arxiv.2411.07019,
title = {UniHR: Hierarchical Representation Learning for Unified Knowledge Graph Link Prediction},
author = {Zhiqiang Liu and Yin Hua and Mingyang Chen and Yichi Zhang and Zhuo Chen and Lei Liang and Wen Zhang},
journal= {arXiv preprint arXiv:2411.07019},
year = {2026}
}
备注
AAAI 2026 (oral)