工作简介
本文中,提出了一种新的归纳推理方法,即TACT,它可以有效地利用知识图中关系之间的拓扑感知相关性。
具体来说,TACT从相关模式和相关系数两个方面对语义相关关系进行建模。
将所有关系对分为7个类别不同的拓扑结构对应不同的关联模式。然后,将原始知识图转换为关系相关图(Relational Correlation graph, RCG),其中节点表示关系,边缘表示原始知识图中任意两个关系之间的关联模式。在RCG的基础上,提出了一种关联网络(RCN)来学习不同模式的相关系数,用于归纳链路预测。
TACT可以有效地吸收相邻关系的信息,从而提高归纳环境下链路预测的性能。
文章贡献:
(a)创新性地将所有关系对分为7种拓扑模式,并提出一种新的关系相关关系网络来建模拓扑感知的相关性。
(b)考虑了归纳链接预测任务,而前述的知识图谱嵌入方法在处理它方面存在困难。(?)
(c)在基准数据集上优于现有的最先进的归纳推理方法。
工作简介-TACT模型结构介绍
TACT旨在以独立于实体的方式对给定的三元组(u,rt,v)进行评分,其中rt是实体u与v之间的目标关系。具体而言,TACT由两个模块组成:关系关联模块和图结构模块。
任何两个关系之间的语义关联与其拓扑结构高度相关。
基于 GraIL的思想设计了一个图结构模块。
工作简介-关系关联模块-关联模式
为了建模关系之间的语义相关性,考虑了两个方面的相关性:
(a)关联模式:任何两个关系之间的关联与其在知识图谱中的拓扑结构高度相关。
基于不同关联模式的定义,我们可以将原始知识图转 换为关系关联图(Relational correlation graph, RCG),其中 节点表示关系,边表示原始知识 图中任意两个关系之间的关联模式。
将所有关系对分类为7个拓扑模式。这些拓扑模式分别是“头对尾”、“尾对尾”、“头对头”、 “尾对头”、“平行”、“环”和“不相连”。
工作简介-关系关联模块-相关系数
(b)相关系数:我们用相关系数来表示任意两个关系之间的语义相关程度。
对于关系为rt的边,我们可以将其在RCG中的所有相邻边分别按拓扑模式“H-T”、“T-T”、“H-H”、 “T-H”、“PARA”和“LOOP”划分为六组。对于这6组,使用6个线性变 换来学习拓扑模式对应的不同语义关联。
为了区分关系的不同相关性程度rt,进一步使用注意力网络来学习所有相关性的相关系数。具体来说,聚合了关系rt的所有相关系数,以得到局部图中的邻域嵌入,用rNt表示:
W是一个权重矩阵,R是关系嵌入,Npt是“指示向量”,Λpt表示关联模式中不同关联程度的权重参数。
最后的关系表示:
工作简介-图结构建模
图嵌入在封闭子图的节点标记之后(grail),子图中的节点具有初始嵌入。
使用R-GCN来学习提取的封闭子图G(u,rt,v)上的嵌入层:
子图G(u,rt,v) 的嵌入为:
该模块的最终输出:
设计一个评分网络来组合两个模块的输出,并得到给定三元组(u,rt,v)的分数:
实验-AUC-PR值
TACT-base:
实验-H@1与MRR、链接预测与运行耗时
归纳方法的链接预测如何做?(存有疑问,貌似代码里也没有展示)