【牛津大学博士论文】使用图神经网络进行知识图谱的深度学习

知识图谱（KGs）正在重塑关于世界信息的表示、组织和利用的范式。知识图谱提供了丰富的语义信息，并已成为人工智能（AI）的驱动力之一。KG的研究主要有两个重要方向：一是构建和提高知识图谱的质量，二是深入探讨知识图谱的广泛应用。近年来，图神经网络（GNNs）也取得了显著进展。GNN是一类适用于图领域的深度学习技术，在许多任务中表现出令人鼓舞的性能。尽管已有研究尝试将GNN应用于KG相关任务，但模型功能设计、可扩展性问题、因传导性而只能预测训练中观察到的实体的局限性，以及基准质量等方面仍存在诸多挑战。在本论文中，我们针对利用GNN进行知识图谱的深度学习，考察了归纳性知识图谱补全和知识增强推荐任务，提出了新的基于GNN的方法以应对这些挑战。我们的广泛实证评估显示，所提出的方法在多种基准任务上优于最先进的方法，并能够在实际应用中实现高效的训练和测试。 我们还进一步探讨了KG补全问题，通过重新审视传导性设定下的基准测试。特别地，我们提出了一种新的方法来生成基准，以帮助实证评估模型捕捉推理模式的能力。我们的研究结果突显了理论结果与实际推理能力之间的差距。