用于归纳式小样本知识图谱完成的随机神经过程图谱表示方法

《ACM Transactions on Intelligent Systems and Technology》：Graph Stochastic Neural Process for Inductive Few-shot Knowledge Graph Completion

知识图谱存在关系和实体分布长尾及不完整问题，推动少样本补全研究。本文提出归纳式少样本补全（I-FKGC），将其转化为推理问题。创新性设计Graph Stochastic Neural Process（GS-NP）模型，包含假设提取器与图注意力预测器，联合训练于统一目标函数，通过理论与实证验证其有效性，在多个数据集上优于现有方法

　　

摘要

知识图谱（KGs）以实体之间的关系形式存储了大量信息。由于关系分布的“长尾特性”以及知识图谱本身的不完整性，人们对少样本知识图谱补全（FKGC）的研究兴趣日益浓厚。现有的FKGC方法通常假设知识图谱中包含所有实体，但这在实践中可能并不现实，因为新的关系和实体会随着时间不断出现。因此，我们关注一个更具挑战性的任务——归纳式少样本知识图谱补全（I-FKGC），在测试阶段，关系和实体都是未知的。受归纳推理思想的启发，我们将I-FKGC视为一个归纳推理问题。具体来说，我们提出了一种新颖的图随机神经过程方法（GS-NP），该方法包含两个主要模块。在第一模块中，为了获得一个泛化的假设（例如共享子图），我们提出了一个基于神经过程的假设提取器，该提取器能够模拟假设的联合分布，并从中抽取用于预测的假设样本。在第二模块中，基于这个假设，我们提出了一个基于图随机注意力的预测器，用于判断查询集中的三元组是否与提取的假设一致。同时，该预测器还可以生成由假设确定的解释性子图。最后，这两个模块的训练被无缝整合到一个统一的目标函数中，其有效性通过理论分析和实证研究得到了验证。在三个公共数据集上的广泛实验表明，我们的方法优于现有方法，并取得了新的最佳性能。