Entity-Dependent Relation Learning for Knowledge Graph Completion

Kangye Wang

doi:10.1109/tkde.2026.3720279

Entity-Dependent Relation Learning for Knowledge Graph Completion

2026-10-08

0

PRE

AI

DOI：10.1109/tkde.2026.3720279

原文链接

原文求助

摘要

En 中文

知识图谱补全（KGC）旨在预测实体对之间的缺失关系。最近，消息传递神经网络（MPNNs）已被应用于KGC，并在嵌入学习方面显示出优越能力。然而，当前方法面临两大困境。一是专注于学习复杂的实体嵌入，而忽视了关系嵌入学习的重要性。二是某些KGC方法通过神经网络进行关系嵌入学习。然而，这种学习过程限制了与邻近实体的独立性学习。为了解决这个问题，我们提出了关系实体图消息传递机制（REGMP）来建模依赖实体的关系嵌入学习。首先，REGMP构建了一个新颖的关系实体图，将关系边转换为具有新边和方向的节点。重构的关系实体图在嵌入学习过程中建立了实体与关系之间的直接联系。此外，为了在关系实体图上进行嵌入学习，我们提出了关系实体图消息传递机制以利用局部和细粒度信息。此外，为了缓解不可避免的过平滑问题，我们开发了一种反应-扩散消息传递网络。在三个知识图谱补全数据集WN18RR、FB15k-237和Kinship上的实验结果表明了REGMP的优越性。

Keyword:

Knowledge graph completion

relation entity graph

graph diffusion

Entity-Dependent Relation Learning for Knowledge Graph Completion

摘要

期刊

机构

引用论文