Substructure‑aware subgraph reasoning for inductive relation prediction

摘要

关系预测的目的是推断知识图中实体之间缺失的关系，其中归纳关系预测因其适用于新兴实体的有效性而广受欢迎。大多数现有方法学习逻辑组合规则或利用子图来预测缺失关系。尽管在性能方面已经取得了很大的进展，但目前的模型仍然不是最优的，因为它们捕获拓扑信息的能力有限，而拓扑信息对局部关系预测至关重要。为了解决这一问题，我们提出了一种新的关系预测方法——子结构感知子图推理，该方法将子图的子结构信息融入到推理过程中，从而提高了关系预测的精度。具体来说，我们提取目标实体周围的实体和关系形成子图，然后通过计算某些子结构的数量来编码节点和边的结构信息。接下来，将结构信息显式地应用于消息传递，以获得更准确的推理。为了提高性能，我们还利用关系之间的语义相关性作为辅助信息。在三个基准数据集上的实验结果表明了该方法对归纳关系预测的有效性。

1.介绍

知识图(Knowledge graph, KGs)以三元组的形式存储关于现实世界的事实，它在许多任务中发挥着重要作用，例如问答[1]、自然语言处理[2]和推荐系统[3,4]。大多数现有的知识库都是通过手动或半自动的方法构建的，如Freebase[5]和DBpedia[6]，这导致了稀疏的知识图，其中大量实体之间的隐式关系没有得到充分的探索。为了解决这一问题，研究者提出通过预测KGs中缺失的关系来完成稀疏知识图，称为关系预测。

传统的关系预测方法，如TransE[7]、ConvE[8]和DistMult[9]，将实体和关系映射到低维空间，并通过张量操作预测缺失的关系。虽然这些方法在关系预测方面取得了很大的进展，但它们本质上是可转换的，只能应用于固定数量的实体