Communicative Message Passing for Inductive Relation Reasoning

摘要

知识图关系预测的目的是预测实体之间缺失的关系。尽管归纳关系预测很重要，但以前的大多数工作都局限于一个换向设定，不能处理以前未见的实体。最近提出的基于子图的关系推理模型提供了从候选三元组周围的子图结构中归纳预测链接的替代方法。然而，我们观察到这些方法往往忽略了所提取子图的有向性，弱化了关系信息在子图建模中的作用。因此，它们不能有效地处理非对称/反对称三元组，并且对目标三元组产生不足的嵌入。为此，我们引入了用于归纳关系推理的交际消息传递神经网络CoMPILE，这种推理超越了局部有向子图结构，对处理实体无关的语义关系具有强烈的归纳倾向。与现有模型相比，CoMPILE通过通信内核加强了边缘和标题之间的消息交互，并实现了足够的关系信息流。此外，我们证明CoMPILE可以自然地处理非对称/反对称关系，而不需要通过提取有向包围子图爆炸性地增加模型参数的数量。大量的实验表明，在具有不同归纳设置的常用基准数据集上，与最先进的方法相比，性能获得了显著的提高。

Communicative Message Passing neural network for Inductive reLation rEasoning,

1.介绍

知识图(KGs)是以关系三联形式表示的事实信息的集合。每个关系三元组可以组织为(h, r, t)，其中h和t代表头部和尾部实体，r是h和t之间的关系。kg在各种任务中发挥了关键作用，如问答(Zhang等人2017)、语义搜索(Xiong, Power, and Callan 2017)、对话生成(He等人2017)等。然而，由于人类知识和提取算法的局限性，它们往往存在不完全性，即在KGs中缺少链接。大多数已经开发出来，以满足KGs与现实世界知识之间的差距，这被称为链接预测或知