Schema-Guided Event Graph Completion 阅读

原文出处：

chrome-extension://efaidnbmnnnibpcajpcglclefindmkaj/https://arxiv.org/pdf/2206.02921.pdf

一、本文核心问题

事件图补全

二、现有方法的局限性：

1）现有的链接预测或图补全方法通常侧重于单个大型图，但事件图数据集通常由多个小型实例事件图组成；

2）现有方法无法判断图中是否缺少一个新节点。

三、事件图背景知识

事件图是现实世界复杂事件的结构化表示。事件图由事件节点和实体节点以及它们之间的关系组成，其中包括事件与事件之间的时间联系、事件与实体之间的参数联系以及实体与实体之间的关系。事件图可以作为一种有用的工具，帮助读者快速理解和理清复杂事件的发展脉络。

四、Methods

4.1 方法总览

方法目标：补全事件图

通过 模式图匹配 将目标转换为 预测实例图是否缺少模式图中的候选事件节点

通过 子图匹配算法 再转换为 推断模式图的匹配子图是否缺少候选节点

于是，需要探索子图-节点对的两种本地拓扑结构，零节点和路径。通过预测两者的相关性，来预测子图中缺少候选节点的概率。

4.2 问题定义

实例图，包含有事件节点集合和实体节点集合，并且使用来表示从一个节点到其类型的映射函数。因此，在实例图中存在三种类型的链接：

(1)事件-事件时间链接，表示事件  在事件  之后按时间顺序发生，我们用“TEMP”表示时间链接的类型；

(2)事件-实体链接，表示事件  具有论元角色a，其值为实体 ；

(3)实体-实体链接，表示实体  和  之间存在r的关系。

具体来说，，，和。

4.3 Subgraph Matching

两阶段启发式子图

对于，先找出  中类型与  相同的事件节点，。

对于，无匹配；对于，有唯一匹配；对于，需要增加一个额外的匹配阶段，对每个  ，识别它的前一跳事件（one-hop previous events），后一跳事件，以及论元角色，于是在模式图  中：

 然后在实例图  中识别  的上述三组， 。求Jaccard索引数，取最高返回唯一解（如果出现多组值相同则随机返回）。

 4.4 Neighbors

在实例图 和模式图 之间进行子图匹配后， 被映射到 ，后者是 中事件节点的子集。因此，我们的目标是学习一个预测函数 ，它将输出新事件 是否是 的缺失节点的概率。在本小节中，我们用它们的邻居来测量  和  之间的相关性。

本文选择了GNN作为基本模型，利用图的结构和节点特征来学习每个节点的表示向量。典型的GNN遵循邻域聚合策略，该策略通过聚合相邻节点的表示来迭代更新节点的表示。实现部分采用GCN。

假设GNN层数为K。因此，事件  的最终层和子图  中的事件分别是 和 。然后，使用读出函数汇总  中的事件嵌入，并输出  的嵌入：

READOUT 函数可以是求和、平均或更复杂的基于注意力的聚合，因为子图中事件的重要性可能不同。最后，将  和  的嵌入式连接起来，然后使用多层感知器（MLP）预测  丢失 的概率：

 4.5 Paths

在使用GNN处理映射子图  和候选事件节点  的节点邻接时，使用节点类型作为初始节点特征，这可能导致模型无法识别  和  之间的距离。为了使模型捕获距离信息，对子图和节点之间的连接模式进行建模，其特征是在模式图中连接它们的路径。具体来说，连接两个节点  和  的路径是一个节点和边的序列：

是连接节点  和  的边，路径中的每个节点都是唯一的。在这项工作中，使用路径中的边的类型来表示路径，即，

我们使用   表示连接  和  的长度不超过L的所有路径的集合。

对于模式图中的一个给定的事件  和一个子图  ，我们收集连接  和  中的每个事件节点的所有路径，作为(, )的路径集：

然后转换为multi-hot bag-of-paths向量 ，其中每个条目表示如果存在特定路径 。我们使用另外一个MLP去将  视为输入，并且输出  是  缺失的事件的概率：

 最后，我们的预测函数  通过结合邻域模块的输出和路径模块的出书来实现：

 4.6 Training

训练所提模型的一个潜在问题是，缺乏用于预测给定实例图中缺失事件的基本事实。因此，本文提出以自监督损失作为训练目标。具体来说，首先将训练数据中的每个实例图 映射到模式图 ，得到匹配的子图 。然后，对于每个事件节点 , 将  从 中屏蔽掉，并尝试用  的其余部分来预测 。也就是将  视为每个  的正向训练样本。同时可以随机抽样  以外的事件节点，即，并将  视为负样本。因此，总损失函数如下

公式所构建的训练数据可能是不平衡的。在这种情况下，我们可以使用下采样来重新平衡数据集。

五、实验

5.1 数据集

 5.2 实验结果

效果有挺大提升的。

 5.3 Case Study