Inductive Relation Prediction by Subgraph Reasoning

摘要

知识图中关系预测的主要范式包括学习和操作实体和关系的潜在表示（即嵌入）。然而，这些基于嵌入的方法没有明确地捕获知识图的组成逻辑规则，并且它们仅限于transductive setting设置，必须在训练期间知道完整的实体集。在这里，我们提出了一种基于图神经网络的关系预测框架GraIL，该框架对局部子图结构进行推理，并具有学习实体无关关系语义的强归纳偏见。与基于嵌入的模型不同，GraIL是自然归纳的，可以在训练后推广到看不见的实体和图。我们提供了理论证明和强有力的经验证据，证明GraIL可以表示一阶逻辑的有用子集，并表明GraIL在归纳设置中优于现有的规则归纳基线。我们还展示了在transductive setting下将GraIL与各种知识图谱嵌入方法进行集成所获得的显著收益，突出了我们方法的互补归纳偏差。

The code and the data for all the following experiments is available at: https://github.com/kkteru/
grail.

1.介绍

最近，最主要的范式是学习实体和关系的潜在表示(即嵌入)并对其进行操作。这些方法将每个实体的邻域连通性模式浓缩为实体特定的低维嵌入，然后可用于预测缺失的边缘(Bordes等人，2013;Trouillon等，2017;Dettmers等，2018;孙等人，2019)。例如，在图1a中，LeBron and
A.Davis的嵌入将包含他们都是Lakers organization的一部分的信息，稍后可以检索这些信息来预测他们是队友。基于嵌入的方法通过利用这种本地连接模式获得了巨大的成功。然而，目前还不清楚它们是否有效地捕获了知识图的关系语义——即，在知识图背后的关系之间所保持的逻辑规则。

事实上