Explainable Link Prediction for Emerging Entities in Knowledge Graphs

GitHub - kingsaint/InductiveExplainableLinkPrediction: Explainable Link Prediction for Emerging Entities in Knowledge Graphs

摘要

尽管跨领域知识图具有大规模的覆盖范围，但它总是存在固有的不完整性和稀疏性。链接预测可以通过推断目标实体(给定源实体和查询关系)来缓解这一问题。最近的基于嵌入的方法在实体和关系的不可解释的潜在语义向量空间中操作，而基于路径的方法在符号空间中操作，使推理过程可解释。然而，这些方法通常考虑知识图的静态快照，这严重限制了它们对具有新出现的实体的不断发展的知识图的适用性。为了克服这个问题，我们提出了一个归纳表示学习框架，它能够学习以前未见的实体的表示。我们的方法找到源实体和目标实体之间的推理路径，从而使对不可见实体的链接预测具有可解释性，并为推断的链接提供支持证据。

1.介绍

近年来，大规模跨领域知识图[17]的使用出现了激增，用于各种任务，包括事实类问题回答、基于事实的对话引擎和信息检索[2]。知识图是广泛应用的背景事实知识的来源[6]。例如，谷歌的知识图谱被紧密地集成到其搜索引擎中，而苹果采用Wikidata作为其虚拟助手Siri的背景知识来源。许多这样的应用程序处理可以转换为