本文是对中科院信工所曹亚男老师组发表于 AAAI 2022 的知识图谱表示学习工作的中文介绍，相关论文、代码都已开源，欢迎大家交流讨论。

图片

 

论文标题：

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

论文作者：

李韧，曹亚男，朱倩男，毕冠群，方芳，柳毅，李倩

收录会议：

AAAI 2022

论文链接：

https://arxiv.org/abs/2109.11800

代码和数据：

https://github.com/renli1024/SE-GNN

 
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据 ，模型仍能正确地由 预测出 ，或由 预测出 ，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。因此在本工作中我们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，我们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，我们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（Semantic Evidence aware Graph Neural Network，SE-GNN），以更显示、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我们模型的有效性，以及具备更强大的外推能力。

内容中包含的图片若涉及版权问题，请及时与我们联系删除