Improving Inductive Link Prediction Using Hyper-Relational Facts

摘要

多年来，知识图(KGs)上的链接预测一直是一个纯粹的转换任务，不允许对看不见的实体进行推理。最近，越来越多的努力被投入到探索半和全归纳场景，使推理能够对不可见的和新兴的实体。然而，所有这些方法都只考虑基于三元组的kg，而它们更丰富的对应，超关系KG(如Wikidata)，还没有得到适当的研究。在这项工作中，我们对不同的归纳设置进行了分类，并研究了在图神经网络的最新进展支持的广泛的半归纳和全归纳链接预测任务中使用超关系KGs的好处。我们在一组新的基准测试上的实验表明，与只有三个基准测试相比，类型化边缘上的限定符可以带来6%的绝对增益(对于Hits@10度量)的性能改进。

1.Out-of-sample representation learning for knowledge graphs 

12.Mlmlm: Link prediction with mean likelihood masked language model

8.Explainable link prediction for emerging entities in knowledge graphs

24.Inductive relation prediction by subgraph reasoning I

13.Inductive entity representations from text via link prediction    BLP

4.Learning to extrapolate knowledge: Transductive few-shot out-of-grap