论文题目:Meta-Knowledge Transfer for Inductive Knowledge Graph Embedding
本文作者:陈名杨(浙江大学)、张文(浙江大学)、朱渝珊(浙江大学)、周虹廷(浙江大学)、苑宗港(华为)、陈华钧(浙江大学)
接收会议:SIGIR 2022
论文链接:https://www.zhuanzhi.ai/paper/23cd15aa4dd7c2e45bfb10d45926ca95
欢迎转载,转载请注明出处
一、引言
当前,大量的大规模知识图谱(knowledge graph,KG)被提出,并应用于多种下游任务。在知识图谱的使用过程中,有各种知识图谱表示学习的方法(即知识图谱嵌入,knowledge graph embedding,KGE)被提出,用于将知识图谱中的实体和关系映射到连续的低维向量空间中。相比于传统地用离散的三元组对知识图谱进行表示,向量表示可以更好地被深度学习模型所使用。
然而传统的KGE方法只能对训练阶段已经见过的实体进行预测和应用(即transductive,直推式场景),因为传统的KGE方法是对一个固定集合的实体学习嵌入表示。所以对知识图谱表示学习来说,可归纳式(inductive)场景更具有挑战,即在测试阶段中会出现训练阶段未见过(unseen)的新实体。如图1所示,在Source KG上训练好的KGE模型无法直接用于Target KG,因为Target KG中的实体在Source KG中没有出现过。
二、问题定义
知识图谱定义为
三、方法
如图1,我们认为传统的KGE方法就像婴儿,只能认识自己学过的实体,而inductive KGE就像成年人,可以通过将未见过实体和见过实体的周围结构模式(neighbor structural patterns)进行比对,从而认知新出现的实体。这些结构模式是与实体无关的、通用的且可迁移的,在本论文中我们将这些结构模式称为元知识(meta-knowledge)。如何建模和学习这种与实体无关的元知识是解决可归纳式知识图谱问题的关键。
我们提出一种基于元知识迁移的知识图谱表示学习方法(Meta-Knowledge Transfer for Inductive Knowledge Graph Embedding,MorsE)。
图2. 关系
3.1 建模元知识
这里主要考虑设计模型通过实体的周围结构模式得到实体表示。所以我们首先设计了一个实体初始化器(entity initializer),通过实体周围所连接的关系对实体进行初始化。对于关系,除了关系自身的向量表示,还有用于表示关系domain和range的向量表示,用于对实体进行初始化,如图2中(a)(b)。然而简单的初始化只能表达实体的类型信息,并不能表达实例信息。所以通过一个GNN调整器(GNN Modulator)对实体的表示进行更新。总的步骤如下
3.2 在源KG上学习元知识
这一部分解决如何训练模型从而使得上述的
3.2 在目标KG上适配元知识
在目标KG上对元知识进行应用的过程,就是元知识迁移的完成。这个过程也非常直接,因为我们可以直接通过训练好的
四、实验
我们在一个in-KG的任务(链接预测)以及一个out-of-KG的任务(基于KG的问答系统)上进行模型的测试。对于链接预测,我们使用之前GraIL文章中提供的inductive数据集进行测试,实验结果如下
同时我们也在inductive场景下对问答任务进行测试进行
更多实验结果以及论文内容请阅读论文原文。
专知便捷查看
便捷下载,请关注专知公众号(点击上方蓝色专知关注)
后台回复“MORSE” 就可以获取《SIGIR2022 | MorsE:基于元知识迁移的归纳式知识图谱表示》专知下载链接