Meta-Path Learning for Multi-relational Graph Neural Networks

要約

既存のマルチリレーショナル グラフ ニューラル ネットワークは、有益な関係を特定するために 2 つの戦略のいずれかを使用します。つまり、この問題を低レベルの重み学習に還元するか、メタパスと呼ばれる手作りのリレーショナル依存関係のチェーンに依存します。
ただし、前者のアプローチは多くの関係 (ナレッジ グラフなど) が存在する場合に課題に直面し、後者のアプローチでは関連するメタパスを特定するためにかなりの専門知識が必要です。
この研究では、少数の有益なメタパスに基づいて高精度のメタパスとメタパス GNN を学習するための新しいアプローチを提案します。
私たちのアプローチの重要な要素は、メタパスの増分構築における関係の潜在的な情報提供性を測定するためのスコアリング関数です。
私たちの実験による評価では、このアプローチが、多数の関係がある場合でも関連するメタパスを正しく特定することができ、合成および現実世界の実験において既存のマルチリレーショナル GNN を大幅に上回るパフォーマンスを示しています。

要約(オリジナル)

Existing multi-relational graph neural networks use one of two strategies for identifying informative relations: either they reduce this problem to low-level weight learning, or they rely on handcrafted chains of relational dependencies, called meta-paths. However, the former approach faces challenges in the presence of many relations (e.g., knowledge graphs), while the latter requires substantial domain expertise to identify relevant meta-paths. In this work we propose a novel approach to learn meta-paths and meta-path GNNs that are highly accurate based on a small number of informative meta-paths. Key element of our approach is a scoring function for measuring the potential informativeness of a relation in the incremental construction of the meta-path. Our experimental evaluation shows that the approach manages to correctly identify relevant meta-paths even with a large number of relations, and substantially outperforms existing multi-relational GNNs on synthetic and real-world experiments.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google