One Subgraph for All: Efficient Reasoning on Opening Subgraphs for Inductive Knowledge Graph Completion

知识图谱补全（KGC）近来引起了广泛的研究兴趣，大多数现有方法都是在训练期间观察到所有实体的转导设置下设计的。尽管在转导KGC上取得了巨大进展，但这些方法在涉及未见实体的新KG上进行推理时仍然面临困难。因此，归纳KGC成为一种新趋势，旨在推断未见实体之间的缺失链接。许多现有研究通过提取包围每个候选三元组的封闭子图，将归纳KGC转化为图分类问题。不幸的是，它们仍然面临某些挑战，例如由于重复提取封闭子图而导致的昂贵时间消耗，以及实体独立特征学习的不足。为了解决这些问题，我们提出了一种全局-局部锚点表示（GLAR）学习方法，用于归纳KGC。与先前利用封闭子图的方法不同，我们为所有候选实体提取一个共享的开放子图，并在其上执行推理，使模型能够更有效地进行推理。此外，我们设计了一些可转移的全局和局部锚点，以学习新实体的丰富实体独立特征。最后，在开放子图上应用全局-局部图推理模型来对所有候选实体进行排名。广泛的实验表明，我们的GLAR优于大多数现有的最新方法。

该论文旨在解决归纳知识图谱补全中的新实体问题，提出了一种全局局部锚点表示学习方法。

该论文的关键思路是提出全局局部锚点表示学习方法，通过提取共享开放子图来进行推理，从而更高效地进行归纳推理。

该论文的亮点包括提出了一种高效的归纳知识图谱补全方法，设计了可传递的全局和局部锚点来学习丰富的实体无关特征，应用全局局部图推理模型对开放子图进行排名。实验结果表明，该方法优于大多数现有的最先进方法。

最近的相关研究包括：《TransG: A Generative Model for Knowledge Graph Embedding》、《Inductive Entity Representations from Text via Link Prediction》、《A Comprehensive Survey on Knowledge Graphs》等。