SNRI Subgraph Neighboring Relations Infomax for Inductive Link Prediction on Knowledge Graphs

摘要

知识图的归纳链接预测旨在预测不可见实体之间的缺失链接，即训练阶段未显示的实体。以前的大多数工作都学习实体特定于实体的嵌入，这不能处理看不见的实体。最近的几种方法利用封闭子图来获得归纳能力。然而，这些工作都只考虑了子图的封闭部分，没有考虑子图的完全邻近关系，导致部分邻近关系被忽略，稀疏子图难以处理。为了解决这个问题，我们提出了子图相邻关系Infomax (SNRI)，它从节点特征的相邻关系特征和稀疏子图的相邻关系路径两个方面充分利用了完全相邻关系。为了进一步在全局范围内对相邻关系进行建模，我们创新地将互信息最大化应用于知识图。实验表明，该方法在归纳链路预测任务上的性能明显优于现有方法，并验证了在稀疏子图上全局挖掘完全邻接关系来表征节点特征和推理的有效性。

1.介绍

首先，由于封闭子图的性质，它们失去了部分相邻关系。但是所有的相邻关系都包含有价值的信息来描述实体(称为相邻关系特征)。例如，在图1中，在节点梅西周围出生和出生的部分关系被排除在封闭子图中(火车图中的红色路径)，但它们表征了梅西的“人”属性。第二，封闭子图可能是空的或者稀疏的，以上所有方法在这种情况下都不能很好地工作，例如测试图b中LeBron和L.A.之间没有可用的连接路径。在这种情况下，没有封闭子图以上所有方法都不能工作。实际上，我们仍然可以通过一些跨目标节点的关系路径(称为相邻关系路径)进行归纳推理，例如Train图中的关系路径(gender, lives In, located In)(绿色路径)。

基于上述观察结果，我们提出了一种新的归纳推理模型，称为近邻关系路径Infomax (SNRI)，该模型可以有效地利用子图中完整的近邻信息，并通过MI最大化对近邻关系路径进行全局建模。具体而言，SNRI模型在两个方面完成了相邻关系:用于节点初始化的相邻关