【论文标题】Communicative Message Passing for Inductive Relation Reasoning 【作者团队】Sijie Mai, Shuangjia Zheng, Yuedong Yang, Haifeng Hu 【发表时间】2020/12/16 【论文链接】https://arxiv.org/abs/2012.08911

【推荐理由】本文来自中山大学，已被AAAI-2021接收。文章提出了CoMPILE，解决了知识图谱关系预测中原有方法忽略提取的子图的有向特性的问题。 知识图的关系预测旨在预测实体之间的缺失关系。尽管归纳关系预测很重要，但大多数以前的工作仅限于转导环境，无法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备选方案，可以从围绕候选三元组的子图结构中归纳地预测链接。但是，我们观察到这些方法通常会忽略提取的子图的有向特性，并削弱了关系信息在子图建模中的作用。结果，它们不能有效地处理不对称/反对称三胞胎，并且对于目标三胞胎不能产生足够的嵌入。为此，我们介绍了CoMPILE，这是基于局部有向子图结构的原因，并且对处理与实体无关的语义关系具有强烈的归纳偏差。与现有模型相比，CoMPILE通过通信内核增强了边缘和授权之间的消息交互，并实现了足够的关系信息流。此外，我们证明了CoMPILE可以自然地处理非对称/反对称关系，而无需通过提取定向封闭子图来爆炸性地增加模型参数的数量。广泛的实验显示，与具有可变归纳设置的常用基准数据集上的最新技术相比，性能得到了显着提高。

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