Inductive Relation Prediction with Logical Reasoning Using Contrastive Representations

小蜗子

已于 2023-09-24 16:32:29 修改

阅读量60

点赞数

分类专栏：知识图谱的结构动态补全文章标签：深度学习机器学习人工智能

于 2023-09-24 11:24:08 首次发布

本文链接：https://blog.csdn.net/weixin_44466434/article/details/133234242

版权

知识图谱的结构动态补全专栏收录该内容

9 篇文章 4 订阅 ¥19.90 ¥99.00

订阅专栏

超级会员免费看

LogCo模型提出了一种新颖的归纳关系预测方法，通过对比表示进行逻辑推理。该模型在知识图谱中提取封闭子图和关系路径，解决实体独立性和逻辑规则监督不足的问题。LogCo利用图卷积网络学习对比表示，同时引入正负关系路径对比策略，以提高归纳关系预测的性能和逻辑可解释性。在12个归纳数据集上的实验结果显示，LogCo相对于其他归纳基线方法具有显著优势。

摘要由CSDN通过智能技术生成

摘要

知识图(KGs)中的关系预测旨在预测不完全三元组中的缺失关系，而主流嵌入范式在测试过程中对未见实体的处理存在限制。在现实场景中，归纳设置更常见，因为训练过程中的实体是有限的。以往的方法通过隐式逻辑在组合逻辑规则中捕获归纳能力，但难以准确地获取组合逻辑规则的独立于实体的关系语义，也难以解决关系语义稀缺性导致的逻辑监督不足的问题。为此，我们提出了一种新颖的基于图卷积网络(GCN)的LogCo模型，该模型采用对比表示进行逻辑推理。LogCo首先提取两个实体之间的封闭子图和关系路径，以提供实体独立性。针对缺乏监督的问题，提出了一种关系路径实例与子图的对比策略。对比表征是为联合训练机制学习的。最后，得到预测结果和推理逻辑规则。在12个归纳数据集上的综合实验表明，与SOTA归纳基线相比，LogCo算法取得了优异的性能。

1.介绍

知识图通过实体和关系组成的三元组来存储大量的事实。它们被广泛应用于不同的应用场景，如关系提取(Hu et al .， 2021)、问答(Abdelaziz et al .， 2021)和信息检索(Verlinden et al .， 2021)。从上下文提取三元组会消耗大量资源。因此，一些主流方法旨在通过学习关系和实体的表示来完成KG或关系预测，如TransE(Bordes等人，2013)、RESCAL (Nickel等人，2