Entity Context and Relational Paths forKnowledge Graph Completion

摘要

知识图补全的目的是预测知识图中实体之间缺失的关系。虽然提出了许多不同的方法，但缺乏一个统一的框架，从而导致最先进的结果。在这里，我们开发了PathCon，这是一种知识图补全方法，它利用了四种新颖的见解来优于现有的方法。PathCon通过以下方法预测一对实体之间的关系:(1)考虑每个实体的关系上下文，通过捕获与实体相邻的关系类型，并通过一种新的基于边缘的消息传递方案建模;(2)考虑捕获两个实体之间所有路径的关系路径;(3)通过可学习的注意机制，自适应地整合关系语境和关系路径。重要的是，(4)与传统的基于节点的表示方式相比，PathCon只使用关系类型表示上下文和路径，这使得它适用于归纳设置。在知识图基准测试和我们新提出的数据集上的实验结果表明，PathCon在很大程度上优于现有的知识图补全方法。最后，PathCon能够通过识别为给定预测关系提供重要上下文和路径的关系来提供可解释的解释。

1.介绍

尽管如此，kg往往是不完整和嘈杂的。为了解决这个问题，研究人员提出了许多KG补全方法来预测KG中缺失的链接/关系，这些方法可分为两类:第一类是基于嵌入的方法[4,17,27,29,37,42]，该方法通过最小化所有三元组上的预定义损失函数来学习每个实体和关系的嵌入向量。这种方法的优点是它们考虑了KG中给定实体的结构上下文，但它们无法捕获头部和尾部实体之间的多个关系(路径)，而这些关系(路径)对于KG完成非常重要。相比之下，第二类方法是基于规则的方法[11,14,23,38,43]，其目的是通过建模头部和尾部实体之间的路径，从KGs中学习一般的逻辑规则。然而，这些方法的一个显著缺点是，有意义的规则