Relational Message Passing for Fully InductiveKnowledge Graph Completion

摘要

在知识图补全(KGC)中，预测涉及新兴实体和/或关系的三元组已成为一个关键挑战，这些三元组在学习KG嵌入时是看不见的。带消息传递的子图推理是一种很有前途和流行的解决方案。最近的一些方法已经取得了很好的性能，但是它们(i)通常只能预测单独涉及不可见实体的三元组，而不能处理具有不可见实体和不可见关系的更现实的完全归纳情况，并且(ii)经常在没有充分利用关系模式的情况下传递消息。在本研究中，我们提出了一种新的RMPI方法，该方法使用一种新颖的关系消息传递网络来实现全归纳KGC。它在关系之间直接传递消息，充分利用关系模式进行子图推理，采用图变换、图修剪、关系感知邻域关注、空子图寻址等新技术，并可以利用KG本体模式中定义的关系语义。在多个基准测试上的广泛评估显示了RMPI技术的有效性，并且与支持完全归纳KGC的现有方法相比，其性能更好。RMPI也可以与最先进的部分归纳KGC方法相媲美，并取得了非常有希望的结果。我们的代码、数据和部分实验结果可在https://github.com/zjukg/RMPI上获得。

1.介绍

知识图谱(Knowledge Graphs, KGs)经常存在不完备性[13]。因此，已经开发了许多KG补全(KGC)方法来发现缺失的事实(三元组)，特别是通过使用语义嵌入技术将KG实体和关系编码为与其语义相关的向量空间，从而可以通过计算这些向量表示(嵌入)来推断缺失的事实[10]，[36]。然而，大多数基于嵌入的方法只能在转换设置中工作，其中要预测的三元组只涉及已经在嵌入训练三元组中出现的实体和关系。当在测试过程中新添加一些实体或关系时(也称为未见过的实体或关系)，他们通常必须重新训练整个KG嵌入，这在实践中是不可行的，因为许多真实世界的KG具有快速发展的性质和大尺寸。

最近，越来越多的归纳KGC研究旨在完成包含未见实体或未见关系的三元组，而无需