Contrastive Learning with Growing Generated Representations for Inductive Knowledge Graph Embedding

doi:10.1007/s41019-026-00352-y

Contrastive Learning with Growing Generated Representations for Inductive Knowledge Graph Embedding

2026-08-25

0

OA

AI

DOI：10.1007/s41019-026-00352-y

原文链接

查看原文

摘要

En 中文

归纳知识图谱（KGs）在受限且动态演化的环境中运行，其中目标KG在固定的关系模式约束下从源KG中衍生。与静态半归纳设置相比，归纳KG上的表示学习更具挑战性，因为模型必须从源KG中提取关系模式，并将其稳健地推广到目标KG中的未见实体。然而，现有方法仍受限于1) 稀疏性，阻碍了稳健的模式提取；2) 隐式迁移，限制了源KG与目标KG之间的有效泛化；以及3) 缺乏系统性规模分析，导致模型容量如何塑造归纳迁移尚不明确。在本文中，我们首先提出VMCL，一种基于元知识图谱（Meta-KGs）的图引导变分自编码器对比学习（CL）框架，有效缓解了归纳设置中稀疏性和隐式迁移带来的限制。随后，我们通过增加表示维度、元-KG数量和生成表示数量，对VMCL进行了系统性规模研究。大量实验表明，VMCL持续优于当前最优基线，并随着模型容量的增加表现出规模效益。

Keyword:

Representation learning

Knowledge graph embedding

Inductive knowledge graph

Transfer learning

Contrastive learning

Contrastive Learning with Growing Generated Representations for Inductive Knowledge Graph Embedding

摘要

AI总结

期刊

机构