Meta-iKG Subgraph-aware Few-Shot Inductive Link Predictionvia Meta-Learning

摘要

知识图的链接预测旨在预测实体之间缺失的连接。目前流行的方法仅限于一个转导的设置，很难处理看不见的实体。最近提出的基于子图的模型提供了从候选三元组周围的子图结构中预测链接的替代方法。然而，这些方法需要大量已知的三元组训练事实，并且在只有几个三元组的关系中表现不佳。在本文中，我们提出了一种新的基于子图的元学习器- Meta-iKG，用于少样本归纳关系推理。meta - ikg利用局部子图来传递子图特定的信息，并通过元梯度更快地学习可迁移的模式。通过这种方式，我们发现模型可以快速适应少样本关系，只使用少量的已知事实和归纳设置。此外，我们在传统的元学习中引入了一个大镜头关系更新过程，以确保我们的模型在小镜头关系和大镜头关系上都能很好地泛化。我们在NELL和Freebase抽样的归纳基准上评估了Meta-iKG，结果表明Meta-iKG在少射场景和标准归纳设置中都优于当前最先进的方法。

我们提出了一种新的基于子图的元学习器meta - ikg，用于少样本归纳关系推理。meta - ikg利用局部子图来传递特定于子图的信息，并通过元梯度更快地学习可迁移的模式。具体来说，我们首先将链接预测转换为子图建模问题。然后，我们将KGs中具有相同关系r的三元组查询视为单个任务。遵循之前的元学习范式[18]-[20]，我们使用高频关系任务来构建元学习器，其中包括不同任务之间的共同特征。通过提供良好的初始点来训练特定于关系的子图评分函数，元数据生成器可以快速适应少数镜头关系的任务。此外，与标准元学习不同的是，我们引入了大范围关系更新过程，消除了小范围关系更新带来的偏差，使我们的Meta-iKG在大范围关系和小范