知识图谱的关系预测旨在预测实体之间的缺失关系。尽管归纳关系预测的重要性，大多数以前的工作都局限于一个转换的设置，不能处理以前看不见的实体。最近提出的基于子图的关系推理模型提供了从围绕一个候选三元组的子图结构中归纳预测链接的替代方法。然而，我们观察到这些方法往往忽略了提取子图的有向性质，削弱了关系信息在子图建模中的作用。因此，它们不能有效地处理不对称/反对称三联体，并为目标三联体产生不足的嵌入。为此，我们引入了一种用于归纳关系推理的传递消息的神经网络CoMPILE，该网络对局部有向子图结构进行推理，并对处理实体无关的语义关系具有强烈的归纳倾向。与现有模型相比，CoMPILE加强了边缘之间的消息交互，并授权通过通信内核，并支持足够的关系信息流。此外，我们还证明了CoMPILE可以自然地处理非对称/反对称关系，而不需要通过提取有向封闭子图来爆炸式地增加模型参数的数量。广泛的实验表明，与最先进的方法相比，在常用的基准数据集上具有不同的归纳设置的实质性性能收益。
https://www.zhuanzhi.ai/paper/4c023087dcd3648d441fc6d1394dbb00
成为VIP会员查看完整内容
Communicative Message Passing for Inductive Relation Reasoning
相关内容
知识图谱（Knowledge Graph），在图书情报界称为知识域可视化或知识领域映射地图，是显示知识发展进程与结构关系的一系列各种不同的图形，用可视化技术描述知识资源及其载体，挖掘、分析、构建、绘制和显示知识及它们之间的相互联系。
知识图谱是通过将应用数学、图形学、信息可视化技术、信息科学等学科的理论与方法与计量学引文分析、共现分析等方法结合，并利用可视化的图谱形象地展示学科的核心结构、发展历史、前沿领域以及整体知识架构达到多学科融合目的的现代理论。它能为学科研究提供切实的、有价值的参考。
相关VIP内容
相关资讯
相关论文
微信扫码咨询专知VIP会员