[论文解读] Entity Context and Relational Paths for Knowledge Graph Completion.

Hongwei Wang, Hongyu Ren+1 more|arXiv (Cornell University)|Feb 17, 2020

Advanced Graph Neural Networks参考文献 49被引用 32

一句话总结

PathCon 是一种新颖的知识图谱补全方法，通过基于边的消息传递建模关系上下文，并利用可学习注意力机制捕捉关系路径，从而提升预测准确率。它在基准测试中优于最先进方法，并通过识别关键关系和路径提供可解释的预测结果。

ABSTRACT

Knowledge graph completion aims to predict missing relations between entities in a knowledge graph. While many different methods have been proposed, there is a lack of a unifying framework that would lead to state-of-the-art results. Here we develop PathCon, a knowledge graph completion method that harnesses four novel insights to outperform existing methods. PathCon predicts relations between a pair of entities by: (1) Considering the Relational Context of each entity by capturing the relation types adjacent to the entity and modeled through a novel edge-based message passing scheme; (2) Considering the Relational Paths capturing all paths between the two entities; And, (3) adaptively integrating the Relational Context and Relational Path through a learnable attention mechanism. Importantly, (4) in contrast to conventional node-based representations, PathCon represents context and path only using the relation types, which makes it applicable in an inductive setting. Experimental results on knowledge graph benchmarks as well as our newly proposed dataset show that PathCon outperforms state-of-the-art knowledge graph completion methods by a large margin. Finally, PathCon is able to provide interpretable explanations by identifying relations that provide the context and paths that are important for a given predicted relation.

研究动机与目标

• 为解决当前知识图谱补全中缺乏统一框架的问题。
• 通过捕捉实体之间的关系上下文和多跳关系路径，提升预测准确率。
• 通过仅使用关系类型表示上下文和路径，避免依赖节点特定嵌入，实现归纳学习。
• 通过识别对每项预测最具影响力的的关系和路径，提供可解释的预测说明。

提出的方法

• PathCon 使用基于边的消息传递机制，对每个实体的关系上下文进行建模，编码相邻的关系类型。
• 它捕获头实体与尾实体之间所有可能的关系路径，并将这些路径表示为关系类型的序列。
• 采用可学习的注意力机制，自适应地融合来自关系上下文和关系路径的信息，生成最终的关系预测结果。
• 该方法在归纳设置下运行，仅通过关系类型表示上下文和路径，从而实现对未见实体的泛化能力。
• 它使用可微分注意力机制，在预测过程中对上下文和路径特征的重要性进行加权。
• 该架构端到端可训练，通过标准负采样和排序损失优化链接预测任务。

实验结果

研究问题

• RQ1 结合关系上下文与多跳关系路径是否能提升知识图谱补全的性能？
• RQ2 如何利用可学习机制有效整合关系上下文与关系路径？
• RQ3 仅基于关系类型的方法是否能在归纳学习设置中实现优异性能？
• RQ4 模型是否能通过识别预测中的关键关系和路径，提供可解释的预测说明？

主要发现

• PathCon 在标准知识图谱补全基准上实现了最先进性能，显著优于现有方法。
• 由于其仅使用关系类型的上下文与路径表示，模型在归纳设置中表现出强大的泛化能力。
• 注意力机制能有效识别并优先考虑对每项预测最具相关性的关系和路径，从而实现可解释的预测。
• 在新提出的数据集上的实验验证了 PathCon 在多样化知识图谱结构下的鲁棒性与可扩展性。
• 消融实验表明，关系上下文与关系路径均对性能有显著贡献，且注意力机制实现了最优的信息融合。