基于关系有向图的知识图推理
原文
Knowledge Graph Reasoning with Relational Digraph
出版
- Yongqi Zhang and Quanming Yao
- 2022
- In Proceedings of the ACM Web Conference 2022 (WWW '22)
- Association for Computing Machinery, New York, NY, USA, 912–924
- https://doi.org/10.1145/3485447.3512008
申明
版权归原文作者及出版单位所有，如有侵权请联系删除
摘要
知识图推理的目的是从已有的事实中推断出新的事实。基于关系路径的推理方法具有较强的可解释性和可转移性。然而，路径在捕获图中的局部证据方面自然受到限制。在本文中，我们引入了一种新的关系结构，即关系有向图(r-digraph)，它由重叠的关系路径组成，用于捕获KG的局部证据。由于图比路径更复杂，如何有效地构建和有效地从中学习是一个挑战。直接编码r-有向图不能很好地扩展，并且在r-有向图中很难捕获与查询相关的信息。我们提出了一种图神经网络的变体，即RED-GNN，以解决上述挑战。
具体来说，RED-GNN利用动态规划对具有共享边的多个r-有向图进行递归编码，并利用查询依赖的注意机制选择强相关边。我们证明RED-GNN不仅高效，而且在归纳和转换推理任务中比现有方法都能取得显着的性能提升。
此外，RED-GNN中学习到的注意权值可以为KG推理提供可解释的证据。
r-digraphs
子图编码（初步）
在这里，我们展示了如何根据r-digraphs（关系图）定制GNNs，以便高效且有效地从中学习。从文献中可以看到，提取子图结构然后学习子图表示是子图编码的常见做法，例如GraphSage和GraIL。给定一个查询三元组(eq, rq, ea)，子图编码通常包含三个过程。
- 分别提取eq和ea的邻域;
- 取交点构造子图;
- 运行消息传递并使用图级表示作为子图编码。
由于ea是单个汇聚实体，所以可以将最后一层表示输出被用作子图表示来编码r-有向图。
上述方案存在时间开销大的问题。
子图编码（优化）
具有不同尾实体ea的第L层中的边共享同一边集。一种节省重叠子问题计算量的常用方法是动态规划。这已被用于在大规模图上聚合节点表示或在KGs上传播问题表示。受动态规划所获得的效率的启发，我们递归地构造eq和任何实体e0之间的向图。
可解释的推理
由于子图的构造与查询关系rq是独立的，因此如何对rq进行编码是另一个需要解决的问题。给定共享相同r-有向图的不同三元组，例如(Sam，主演，蜘蛛侠2)和(Sam，导演，蜘蛛侠2)，我们用于推理的局部证据是不同的。为了从r-有向图中获取查询相关知识并发现可解释的局部证据，我们使用了注意力机制，并将rq编码为注意权值，以控制不同边在子图中的重要性。
