无Inductive Learning on Commonsense KnowledgeGraph Completion

摘要

常识知识图(CKG)是一种特殊的知识图(KG)，其实体由自由形式的文本组成。现有的CKG补全方法关注于transductive learning setting，即在训练过程中所有实体都存在。在这里，我们提出了CKG补全的第一个inductive learning setting，其中不可见的实体可能在测试时出现。我们强调归纳学习设置对于CKG是至关重要的，因为CKG是动态的和高度稀疏的，因此经常引入不可见的实体。我们提出归纳作为第一个针对归纳CKG补全任务的框架。 InductivE首先通过直接从原始实体属性计算实体嵌入来保证归纳学习能力。其次，提出了一种具有新颖致密化过程的图神经网络，进一步增强了用相邻结构信息表示不可见实体的能力。实验结果表明，在归纳场景中，InductivE性能特别好，它比之前的方法提高了48%以上，同时在transductive  setting中也优于最先进的基线。

GitHub - BinWang28/InductivE: Code for the paper: Inductive Learning on Commonsense Knowledge Graph Complet