【Inductive Relation Prediction】归纳关系预测相关论文总结

归纳关系预测 inductive relation prediction

只记录20年开始的论文，早期的RuleN之类的论文不提
归纳推理：从知识图谱中自动归纳出逻辑规则进行缺失关系预测

---

---

一、Inductive Relation Prediction by Subgraph Reasoning

ICML，2020

基本思想：设要输入的三元组为 其中，u、v为目标节点，rt为目标关系。首先是子图提取，在整张图中获得u、v节点的k跳邻居集合，取其并集并去掉孤立的节点和目标节点之间长度超过k的路径(剪枝)得到其封闭子图，如上图2所示(图1未进行剪枝)；
       然后构建这个子图中节点的向量表征，对节点i的表征为(d(i,u),d(i,v))，其中d(i,u)为表示节点i和u之间的最短路径，节点u、v分别表示为(0,1)、(1,0)，然后使用onehot表示进行拼接得到节点最终表示向量；
       将节点信息和封闭子图信息输入到GNN中进行计算，第k层的计算过程如下：
计算边r的注意力权重

这里和是边r所对应的头尾实体在k-1层的表征向量，即前面拼接所得节点向量，是学到的关系注意力embedding

       然后进行信息聚合：
              

其中，是节点t的出边指向的节点集合

       聚合节点信息：
              
       第L层的整张封闭子图信息：
              
       最后经过一个线性层进行打分：
              
特点：没有用到节点信息，从图中提取出规则信息，这样可以使模型处理在训练节点没有出现过的实体

二、Communicative Message Passing for Inductive Relation Reasoning