Topology-Aware Correlations Between Relations for Inductive Link Predictionin Knowledge Graphs

摘要

归纳链接预测——在训练和推理阶段的实体可以是不同的——已经被证明有希望补全不断进化的知识图。现有的归纳推理模型主要侧重于通过学习逻辑规则来预测缺失环节。然而，许多现有的方法没有考虑到关系之间的语义相关性，这在现实世界的知识图中很常见。为了解决这一挑战，我们提出了一种新的归纳推理方法，即TACT，它可以有效地以实体无关的方式利用关系之间的拓扑感知相关性。TACT的灵感来自于观察到两个关系之间的语义相关性与知识图中它们的拓扑结构高度相关。具体来说，我们将所有的关系对分类为几种拓扑模式，然后提出一个关系相关网络(RCN)来了解不同模式对归纳链接预测的重要性。实验表明，该方法能够有效地对关系之间的语义关联进行建模，在基准数据集上的性能明显优于现有的方法。

1.介绍

知识图以事实三元组的形式存储了大量结构化的人类知识，已被广泛应用于许多领域，如自然语言处理(Zhang et al 2019)、推荐系统(Wang et al 2018)和问题回答(Huang et al 2019)。

对于现实世界的知识图，新的实体不断出现，例如电子商务知识图中的新用户和产品，以及生物医学知识图中的新分子(Teru, Denis，和Hamilton 2020)。此外，它们通常面临着不完整的问题，即缺少一些环节。为了应对这一挑战，研究人员越来越关注归纳链接预测任务(Tran et al 2016;Hamaguchi等2017;王等2019;特鲁、丹尼斯和汉密尔顿2020年)。归纳链接预测旨在预测知识图中实体之间的缺失链接，其中训练和推理阶段的实体可能是不同的。尽管归纳式链接预测在现实应用中很重要，但许多现有的工作专注于转导式链接预测，无法管理之前未见的实体(Sadeghian等，2019年)。归纳链接预测具有挑战性&#x