EMNLP 2023 | 基于知识图谱嵌入的关系感知集成学习算法

©PaperWeekly 原创 · 作者 | 黄鉦皓

单位 | 清华大学

研究方向 | 图神经网络

本文介绍《基于知识图谱嵌入的关系感知集成学习算法》（Relation-aware Ensemble Learning for Knowledge Graph Embedding），该论文提出的 RelEns-DSC 方法针对图谱实体间的关系采用分割、搜索和重组策略，显著减小集成权重（即不同模型的贡献比例）的搜索空间。

与现有方法相比，在相同的计算成本下表现出更卓越的性能，并在多个任务上达到最优性能。该论文被 EMNLP 2023 录取，力克蚂蚁金服、斯坦福等研究团队，刷新大规模知识图谱榜单 OGB 记录。

论文链接：

https://arxiv.org/abs/2310.08917

代码链接：

https://github.com/LARS-research/RelEns

OGB榜单：

ogbl-wikikg2：

https://ogb.stanford.edu/docs/leader_linkprop/#ogbl-wikikg2

ogbl-biokg：

https://ogb.stanford.edu/docs/leader_linkprop/#ogbl-biokg

研究背景

知识图谱是一种用于表示和组织知识的图形数据结构，可以有效连接人类对于真实世界的认知与计算机对于物理世界的建模，其涵盖了从社交和评分网络到生物网络的多个领域。因此，随着机器学习技术的兴起，图学习已经在多种应用中得到广泛应用，包括利用社交图谱来理解人际关系，利用城市图谱进行人流轨迹分析，以及利用医药图谱进行药物互作预测。

如下左图所示，知识图谱用于表征医药网络中不同实体（药物、作用、疾病等）之间的关系，并通过这些关系来预测类似于（药物 A, ?, 疾病 D ）的关系。