Open-world knowledge graph completion for unseen entitiesand relations via attentive feature aggreg

摘要

大多数知识图补全(KGC)模型都是为静态知识图补全设计的，其中实体和关系集是固定的。这些方法本质上是transductive的，因为它们只是预测事实的可信性，而这些事实的实体和关系必须在训练阶段之前出现。但是，由于实体和关系会随着时间的推移不断地添加、删除或更改，KGC模型应该能够推广到kg之外的实体和关系，这更适合于真实的场景。此外，将全局图结构信息合并到KGC模型中是另一个具有挑战性的问题。为了克服这些问题，本文提出了一种新的面向开放世界KGC的归纳KG嵌入(IKGE)模型，该模型能够容纳KG之外的实体和关系。与训练单独的唯一嵌入不同，该模型从根本上学习了一个嵌入生成器函数，以归纳的方式精心生成事实嵌入。具体来说，每个事实的特征信息通过注意机制从其实体相关和关系相关的侧信息中提取为向量。然后，为了给给定的事实打分，我们的邻居特征聚合器分层地积累多跳邻居的特征信息。实验结果表明，IKGE通过成功聚合邻域特征，在换能式和归纳式设置上都优于现有的方法。

1.介绍

知识图(KGs)是一种高效的数据模型，它将实体的真实世界事实结构化，并将它们有机地链接起来，以便机器能够理解。KGs中的每个事实通