知识图谱中基于路径的神经网络的归纳链接预测

Dec, 2023

知识图谱中基于路径的神经网络的归纳链接预测

Inductive Link Prediction in Knowledge Graphs using Path-based Neural Networks

Canlin Zhang, Xiuwen Liu

TL;DR本文提出了使用孪生神经网络的基于路径的归纳链接预测模型 SiaILP，仅依赖关系和路径嵌入，可泛化到新实体而无需微调，实验证明该模型在归纳版本的 WN18RR、FB15k-237 和 Nell995 的链接预测任务中取得了多个最新的最优性能。

Abstract

link prediction is a crucial research area in knowledge graphs, with many downstream applications. In many real-world scenarios, inductive link prediction is required, where predictions have to be made among unseen entities. →

link prediction inductive link prediction embedding-based models rule-based models graph neural networks

发现论文，激发创造

基于子图推理的归纳关系预测

提出了一种基于图神经网络的关系预测框架 GraIL，该框架可以推理本地子图结构并具有强的归纳偏差来学习独立于实体的关系语义。与基于嵌入的模型不同，GraIL 是自然归纳的，并且可以在训练后推广到未看到的实体和图形。在归纳设置中，GraIL 优于现有的规则归纳基线。

Nov, 2019

生成式图神经网络用于链接预测

本文提出了一种名为 GraphLP 的新的基于网络重构理论的、区别于传统的判别式神经网络模型的生成式神经网络模型，利用深度学习提取图表结构信息并探索高阶连接模式以实现链路预测，实验证明 GraphLP 在不同数据集上都具有优异性能。

Dec, 2022

基于知识图谱的归纳链接预测公开挑战赛

本研究提出了 ILPC 2022 数据集挑战赛，旨在为评估归纳表示学习方法提供基准测试，从而使社区在归纳图表示学习领域中进行协同努力.

Mar, 2022

基于关系匿名游走导向神经过程的知识图谱少样本归纳链接预测

本文提出了一种基于关系匿名游走引导的神经过程模型 RawNP，用于在知识图谱上进行少样本归纳链接预测，并在典型基准数据集上展示出了新的最先进性能。

Jun, 2023

知识图谱中半归纳链接预测的基准测试

提出了一个大规模基准测试，用于评估半归纳链接预测模型，在不同实验中发现，半归纳链接预测表现远不及透视性能，在集成语境和文本信息的半归纳链接预测模型方面提供了进一步研究的测试平台。

Oct, 2023

基于相似度和 GNN 的链接预测方法比较研究

本文研究相似性和基于 GNN 的链接预测方法在同构图中的应用，通过在具有不同属性的多个基准图上的实验评估不同方法的性能。

Aug, 2020

路径感知孪生图神经网络用于链接预测

本文提出了一种基于路径感知的孪形图神经网络（PSG）来进行链路预测任务，结合多任务图神经网络框架并采用自监督对比学习，能够同时捕捉节点内容和行为，实验结果在两个数据集上表现出卓越的性能。

Aug, 2022

SMiLE：基于模式增强的多级对比学习用于知识图谱链接预测

文章介绍了一种基于模式约束的多级对比学习方法 (SMiLE)。实验结果表明该方法能有效地进行知识图谱中的链接预测，并比现有技术取得更好的效果。

Oct, 2022

通过链接预测从文本中归纳实体表征

本文通过一个综合评估协议，探讨了使用预测链接的实体表示学习，并考虑了线性预测和实体分类任务以及针对面向实体的搜索的信息检索任务，通过一个预训练的语言模型体系结构，证明这些学习的表示不仅适用于 KG 特定任务，还具有比之前的方法更强的泛化性能，同时也在其他任务方面表现出色。

Oct, 2020

知识图谱中的归纳逻辑查询回答

研究使用图神经网络的归纳节点和关系结构表征方法对知识图谱中的新实体进行逻辑推理的方法，并实验发现归纳模型能够在推理时间内对未见节点进行推理，同时可以推广至训练天数 500％大的图表，表现出较高效率和效果平衡的特点。

Oct, 2022