Inductive Relation Prediction from Relational Paths and Context with Hierarchical Transformers

要約

ナレッジ グラフ (KG) 上の関係予測は重要な研究テーマです。
主流の埋め込みベースの手法は主に変換設定に焦点を当てており、推論のために新しいエンティティに一般化する帰納的能力が欠けています。
帰納的推論のための既存の方法は、ほとんどが、リレーショナル コンテキストに含まれる先頭エンティティと末尾エンティティの性質を考慮せずに、エンティティ間の接続、つまりリレーショナル パスをマイニングします。
この論文では、統一された hieRarchical Transformer フレームワークである REPORT を使用して RElational Path と cOntext を同時に集約することにより、エンティティ間の接続とエンティティの本質的な性質の両方を捉える新しい方法を提案します。
REPORT は関係セマンティクスのみに依存しており、トレーニングと推論のための KG に共通のエンティティが存在しない完全帰納的設定に自然に一般化できます。
実験では、REPORT は、2 つの完全帰納的データセットの 8 つのバージョン サブセットのほぼすべてで、すべてのベースラインよりも一貫して優れたパフォーマンスを示しました。
さらに。
REPORT は、予測結果に対する各要素の寄与を提供することで解釈可能です。

要約(オリジナル)

Relation prediction on knowledge graphs (KGs) is a key research topic. Dominant embedding-based methods mainly focus on the transductive setting and lack the inductive ability to generalize to new entities for inference. Existing methods for inductive reasoning mostly mine the connections between entities, i.e., relational paths, without considering the nature of head and tail entities contained in the relational context. This paper proposes a novel method that captures both connections between entities and the intrinsic nature of entities, by simultaneously aggregating RElational Paths and cOntext with a unified hieRarchical Transformer framework, namely REPORT. REPORT relies solely on relation semantics and can naturally generalize to the fully-inductive setting, where KGs for training and inference have no common entities. In the experiments, REPORT performs consistently better than all baselines on almost all the eight version subsets of two fully-inductive datasets. Moreover. REPORT is interpretable by providing each element’s contribution to the prediction results.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google