[论文解读] Schema-Guided Event Graph Completion

Hongwei Wang, Zixuan Zhang+6 more|arXiv (Cornell University)|Jun 6, 2022

Complex Network Analysis Techniques被引用 5

一句话总结

本文提出了一种新型方法——基于模式的事件图补全（Schema-Guided Event Graph Completion, SchemaEGC），利用事件模式作为模板，预测不完整事件图中缺失的事件节点。通过采用基于模式的子图匹配，并利用邻居和连接路径建模局部拓扑结构，该方法在四个数据集上相较于基线方法实现了4.3%至19.4%的绝对F1值提升，达到当前最优性能。

ABSTRACT

We tackle a new task, event graph completion, which aims to predict missing event nodes for event graphs. Existing link prediction or graph completion methods have difficulty dealing with event graphs because they are usually designed for a single large graph such as a social network or a knowledge graph, rather than multiple small dynamic event graphs. Moreover, they can only predict missing edges rather than missing nodes. In this work, we propose to utilize event schema, a template that describes the stereotypical structure of event graphs, to address the above issues. Our schema-guided event graph completion approach first maps an instance event graph to a subgraph of the schema graph by a heuristic subgraph matching algorithm. Then it predicts whether a candidate event node in the schema graph should be added to the instantiated schema subgraph by characterizing two types of local topology of the schema graph: neighbors of the candidate node and the subgraph, and paths that connect the candidate node and the subgraph. These two modules are later combined together for the final prediction. We also propose a self-supervised strategy to construct training samples, as well as an inference algorithm that is specifically designed to complete event graphs. Extensive experimental results on four datasets demonstrate that our proposed method achieves state-of-the-art performance, with 4.3% to 19.4% absolute F1 gains over the best baseline method on the four datasets.

研究动机与目标

• 解决现有图补全方法在小型、动态事件图中无法预测缺失节点的局限性。
• 克服链接预测方法无法检测图中不存在的新事件节点的缺陷。
• 利用事件模式——典型事件结构的抽象模板——作为事件图补全的结构与语义知识来源。
• 开发一种自监督策略用于训练样本生成，并设计定制化的推理算法用于事件图补全。
• 提升模型的可解释性，并增强在真实世界事件图场景中对模式噪声的鲁棒性。

提出的方法

• 采用两阶段启发式子图匹配算法，将不完整实例事件图映射到模式图的子图，相比精确匹配显著降低计算成本。
• 该方法在模式图中建模两类局部拓扑结构：候选节点周围的邻域结构，以及其与实例化子图之间的连接路径。
• 基于图神经网络（GNN）的邻居模块通过可学习读出函数和多层GNN，编码候选节点相对于子图的拓扑上下文。
• 基于路径的模块通过建模候选节点与子图之间不同长度的路径，捕捉高阶结构关系，支持可配置的最大路径长度和路径类型。
• 通过元素级拼接融合邻居模块与路径模块，并经最终分类器预测候选节点是否应被添加至实例图。
• 采用自监督策略，通过在模式图中掩码节点并利用模型自身预测生成负样本和正样本，构建合成补全任务。

实验结果

研究问题

• RQ1 事件模式能否有效用于指导在小型、不完整事件图中缺失事件节点的预测？
• RQ2 如何利用局部拓扑结构——特别是邻居和连接路径——来提升事件图补全的准确性？
• RQ3 所提方法在事件图补全任务上相较于现有链接预测与图补全基线方法的性能提升程度如何？
• RQ4 模型对模式图中的噪声具有多大程度的鲁棒性？其预测是否保持高度可解释性？
• RQ5 自监督训练策略能否在无需完全标注数据的情况下，有效生成有意义的补全样本？

主要发现

• 所提出的SchemaEGC方法在四个真实世界事件图数据集上达到当前最优性能，相较于最佳基线方法，绝对F1值提升范围为4.3%至19.4%。
• 基于路径的模块（SchemaEGC-Path）对最大路径长度和路径类型等超参数表现出更高的敏感性，表明其对路径结构质量的强依赖性。
• 基于邻居的模块（SchemaEGC-Neighbor）在不同GNN类型、读出函数及层数设置下均表现稳定，表明其对模型架构选择具有强鲁棒性。
• 模型对模式图中的噪声具有高度抗性，即使在模式图包含错误或不完整信息时仍能保持优异性能。
• 消融实验证实，邻居建模与路径建模两个组件均对最终预测有显著贡献，其中路径模块对F1值的提升最为显著。
• 自监督训练策略能有效生成高质量的合成训练样本，使模型在无需完全标注补全数据的情况下仍具备良好的泛化能力。