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。
图1. 归纳式场景下的知识图谱示例
近年来,已经有一些工作试图解决知识图谱在可归纳式场景下的问题。其中,GraIL和其后续工作,通过学习从子图结构中预测关系的能力,从而完成可归纳的关系预测。然而这一类方法并不能有效解决在归纳场景下的其他KG外的任务,如问答系统等,因为这一类方法无法得到实体的表示。这个缺陷使得当前针对可归纳式知识图谱的方法无法像传统知识图谱表示学习模型一样,可以广泛地用于多种下游任务。为了总体解决知识图谱在可归纳式场景下的问题,我们希望设计一种知识图谱表示学习模型,可以在一个集合的实体上训练,然后泛化到另一个未见过的实体集合,并可以解决多种KG内和KG外的下游任务。