Knowledge Is Flat: A Seq2Seq Generative Framework for VariousKnowledge Graph Completion

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