.png){kind=icon}
返回
Raker: A Relation-Aware Knowledge Reasoning Model for Inductive Relation Prediction
.png){kind=icon}
PRE
AI
DOI：10.1145/3745029.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
归纳关系预测是知识图谱补全的一个重要任务，旨在预测训练阶段未见过的实体之间的关系。最新方法使用预训练语言模型（PLMs）来编码头实体和尾实体之间的路径，并取得了最先进的预测性能。然而，这些方法难以有效处理无路径场景，且缺乏学习区分不同关系的全面关系表示的能力。为解决此问题，我们提出了一种新颖的关系感知知识推理模型Raker，该模型引入了一种自适应推理信息提取方法，用于识别目标三元组中实体的关系感知推理邻居以处理无路径场景，并通过关系特定的软提示使PLM能够更好地区分不同关系。Raker在三个公开数据集上进行评估，并与基线方法相比，在归纳关系预测方面取得了SOTA性能。值得注意的是，在归纳设置下，Raker在FB15k-237数据集上的绝对提升甚至超过5%。此外，Raker在归纳、少样本和未见关系设置下也显示出其优越性。Raker的代码可在https://github.com/ADMIS-TONGJI/Raker获取。
Keyword:
inductive relation prediction
knowledge graph completion
pre-trained language models
relation-aware reasoning
soft prompting
期刊
IF:
4.8
论文数:
1.3K
被引数:
4.4K
机构
暂无机构信息
.png){kind=icon}
