VN 网络：利用虚拟邻居嵌入新出现的实体

将实体和关系嵌入连续向量空间近年来引起了广泛关注。大多数嵌入方法假设所有测试实体在训练期间都是可用的，这使得为新出现的实体重新训练嵌入非常耗时。为解决这一问题，最近的工作将图神经网络应用于未见实体的现有邻居。在本文中，我们提出了一种名为虚拟邻居（Virtual Neighbor, VN）网络的新框架，以应对三个关键挑战。首先，为减少邻居稀疏性问题，我们引入了由规则推断出的虚拟邻居概念，并通过求解规则约束问题为这些邻居分配软标签，而不是简单地将其视为绝对真实。其次，许多现有方法仅使用一跳或两跳邻居进行聚合，而忽略了可能有帮助的远距离信息；相反，我们识别逻辑路径规则和对称路径规则以捕捉复杂模式。最后，我们采用嵌入方法与虚拟邻居预测之间的迭代学习方案，而非一次性注入规则，以捕捉内部交互。在两个知识图谱补全任务上的实验结果表明，我们的 VN 网络显著优于最先进的基线。此外，在 Subject/Object-R 上的结果表明，我们提出的 VN 网络对邻居稀疏性问题具有高度鲁棒性。