.png){kind=icon}
返回
Enhancing inductive knowledge graph completion with contextual relation topology learning
.png){kind=icon}
PRE
AI
DOI：10.1016/j.knosys.2025.114302.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
知识图谱补全（KGC）在推断知识图谱（KGs）中的缺失三元组方面发挥着关键作用，而归纳式KGC则通过实现对先前未见实体的预测，进一步扩展了这一能力，从而允许知识图谱的动态更新。近期的方法定义了实体无关特征，并利用图神经网络（GNNs）从目标三元组周围的子图中提取这些特征，这些特征随后被用于表示关系语义和逻辑规则以进行推理。然而，现有工作的归纳能力有限，因为它们考虑的实体无关特征有限。为解决此问题，我们提出了一种基于上下文关系拓扑学习的新型GNN框架，用于归纳式KGC，即CRTL，该框架考虑了更广泛的实体无关特征。我们观察到，子图结构特征、关系相关模式以及实体-关系交互是归纳式KGC中至关重要的实体无关特征。此外，关系相关模式和实体-关系交互具有互补性。具体而言，我们构建包围子图以提取子图结构特征，构建关系图以建模关系间的相关性，并构建上下子图以捕捉实体与关系间的交互。此外，我们设计了一个评分函数，动态调整这些特征的贡献。我们在基准数据集上的广泛实验表明，CRTL超越了当前的最优方法，与次优结果相比，在WN18RR v1上提升了9.68%，在FB15K-237 v1上提升了12.86%。
期刊
K
IF:
7.6
论文数:
1.2W
被引数:
4.5W
机构
引用论文
.png){kind=icon}
分享收藏分享收藏
One Subgraph for All: Efficient Reasoning on Opening Subgraphs for Inductive Knowledge Graph Completion一个面向所有人的子图: 开放子图以完成归纳知识图的有效推理
OAAI
OAAI分享收藏分享收藏
查看更多内容