RAILD: Towards Leveraging Relation Features for InductiveLink Prediction In Knowledge Graphs

摘要

由于开放世界的假设，知识图(KGs)永远不会是完整的。为了解决这一问题，目前提出了各种链路预测方法。其中一些方法是归纳链接模型，能够学习在训练中没有看到的实体的表示。然而，据我们所知，现有的归纳LP模型没有一个关注于对看不见的关系的学习表示。在这项工作中，提出了一种新的关系感知归纳链接预测(RAILD)用于KG补全，它可以学习未知实体和未知关系的表示。除了通过使用语言模型利用与实体和关系相关联的文本字面量之外，RAILD还引入了一种新的基于图的方法来为关系生成特征。使用不同的现有和新创建的具有挑战性的基准数据集进行了实验，结果表明RAILD比最先进的模型带来了性能改进。此外，由于没有现有的归纳LP模型来学习不可见关系的表示，我们创建了自己的基线，使用RAILD获得的结果也优于这些基线。

1.介绍

LP任务的设置主要有两种类型，即转导式和归纳式。在换向设置中，训练集和验证集中的所有实体都必须是训练集的一部分。另一方面，在归纳设置中，验证和测试集可能包含训练期间看不到的实体。尽管大多数著名的LP方法[2,13,18,21,27]都被提出用于转导设置，但也有一些方法[3,4]被介绍用于归纳设置。然而，这些基于表征学习的归纳LP方法并不重视关系。与实体不同的是，实体的文本描述可以用作实体的特性，关系通常只是像BLP[4]中那样随机初始化。QBLP[1]是针对超关系图的归纳LP提出的一种方法。这项工作可以推广到看不见的关系，但由于它没有为看不见的关系提供生成特征的方法，它只能应用于训练中涉及到的关系的归纳LP。

3.MLMLM: Link Prediction with Mean Likelihood Masked Language Model.

4. Inductive Entity Representations from Text vi