【AAAI2022】知识图谱表示模型是如何进行外推的?

论文题目：How Does Knowledge Graph Embedding Extrapolate on Unseen Data: a Semantic Evidence View

作者：李韧, 曹亚男, 朱倩男, 毕冠群, 方芳, 柳毅, 李谦

论文概述：当前众多现象表明，知识图谱嵌入表示学习工作可以在外推场景下取得成功，即给定一个训练中未出现的三元组，模型依旧能表现出良好的预测效果，这种外推能力令人印象深刻。但已有工作大多集中于设计精巧的三元组建模函数，并没有对这种外推现象进行充分研究。因此本篇工作对以下两个问题进行了探讨：1. 知识图谱表示模型是如何进行外推的？2. 如何设计具备更强外推能力的知识图谱表示模型？一方面，我们从语义匹配的视角，在关系、实体和三元组层面上分别提出了三种语义证据，并通过对广泛的基线模型的实验分析，验证了这三种语义证据在模型外推方面的重要作用。另一方面,为了更好地利用外推信息，我们将三种语义证据融入到邻域模式中，设计了一种新颖的图神经网络模型用于学习知识图谱嵌入表示，称为语义证据-图神经网络（SE-GNN，Semantic Evidence-Graph Neural Network），以更显示、充分的方式对三种语义证据进行了建模。我们在知识图谱表示学习的基准数据集FB15k-237和WN18RR上进行了充分的实验，证明了我们模型的有效性，以及具备更强大的外推能力。