[AAAI | 论文解读] 知识图谱如何嵌入对未知数据的外推：语义证据视图

简读分享 | 王天朔 编辑 | 王宇哲

论文题目

How Does Knowledge Graph Embedding Extrapolate to Unseen Data: A Semantic Evidence View

论文摘要

知识图谱表示学习任务（Knowledge Graph Embedding，KGE）旨在为知识图谱中的实体和关系学习低维向量表征。当前很多KGE模型能够对未知数据展现出良好的外推（extrapolate）性能，即给定一个没有见过的三元组数(h,r,t)，模型仍能正确地由 (h,r,?)预测出t ，或由 (?,h,t)预测出 h，这种外推能力令人印象深刻。但目前⼯作大多关注于设计复杂精巧的三元组建模函数，这只描述了模型是如何刻画已有数据的，并没有告诉我们其是如何外推到未知数据的，这不利于我们深入理解KGE模型的运行机制及其实际应用效果。因此在本工作中作者主要研究了两个问题：1. KGE模型是如何进行外推的？2. 如何设计具备更强外推能力的KGE模型？

针对问题1，作者基于语义匹配的视角，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。

针对问题2，为了更好地利用外推信息，作者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，称为语义证据感知图神经网络，以更充分的方式对三种语义证据进行了建模。

在知识图谱公开数据集FB15k-237和WN18RR上的实验结果表明了本文模型的有效性，以及具备更强大的外推能力。

论文链接

https://arxiv.org/abs/2109.11800