变分知识图谱推理

推断知识图谱（KG）中的缺失链接引起了研究界的广泛关注。在本文中，我们处理一项实用的查询回答任务，涉及预测给定实体对的关系。我们将这一预测问题构建为概率图模型中的推断问题，并旨在从变分推断的角度解决它。为了对查询实体对之间的关系进行建模，我们假设 KG 中存在一个潜在变量（连接两个节点的路径），它携带与其关系等价的语义。然而，由于大型 KG 中连接的不可处理性，我们提出使用变分推断来最大化证据下界。更具体地说，我们的框架（\textsc{Diva}）由三个模块组成，即后验近似器、先验（路径查找器）和似然（路径推理器）。通过使用变分推断，我们能够将它们紧密地纳入一个统一的架构中，并联合优化它们以执行 KG 推理。通过这些子模块之间的主动交互，\textsc{Diva} 更擅长处理噪声并应对更复杂的推理场景。为了评估我们的方法，我们在多个数据集上进行了链接预测任务的实验，并在两个数据集上均取得了 SOTA 的性能。