摘要
近年来,知识图谱补全(Knowledge Graph Completion, KGC)已扩展到多个知识图谱结构,并开创了静态知识图谱、时态知识图谱和少量知识图谱等新的研究方向(Ji et al ., 2022)。以往的研究经常将KGC模型与特定的图结构紧密耦合,这不可避免地导致了两个缺点:1)特定结构的KGC模型相互不兼容;2)现有的KGC方法不适用于新兴的KGs,本文提出了一个Seq2Seq生成框架KG- s2s,该框架可以通过将KG事实的表示统一为“平面”文本来处理不同的可语言化图结构,而不考虑其原始形式。为了弥补“平面”文本中KG结构信息的丢失,我们进一步改进了实体和关系的输入表示,以及KG- s2s中的推理算法。在五个基准测试中进行的实验表明,KG-S2S优于许多竞争基准,创造了新的最先进的性能。最后,分析了KG-S2S在不同关系和非实体世代迭代上的能力。
1.介绍
知识图谱补全(KGC)一直是从各种知识图谱(KG)结构中发现未观察到的事实的基本任务,包括静态知识图谱(SKGC)、时态知识图谱(TKGC)和少量知识图谱(FKGC) (Ji et al ., 2022)。如图1所示,TKGC(橙色)包含带有时间戳的时间事实,而FKGC(绿色)预测具有只有有限或零训练实例的关系的事实。
通常,KGC的解决方案是基于图的,即将实体和关系视为节点和链接。SKGC模型的训练和推理依赖于图路径上的各种过渡关系。TKGC和FKGC方法进一步与非平凡组件或学习范式集成,以处理额外的时间信息或训练需求。具体来说,TKGC模型(Dasgupta e