Inductive Link Prediction on N-ary Relational Facts via Semantic Hypergraph Reasoning

要約

n-aryの関係事実は、3つ以上のエンティティ間のセマンティック相関を表しています。
最近の研究では、n-aryの関係事実を含む知識グラフ（KG）の欠落関係を推測するためのリンク予測（LP）方法を開発しましたが、それらは一般に導入設定に限定されています。
以前に見えないエンティティについて予測がなされている完全に帰納的設定は、依然として重要な課題です。
既存の方法は主にエンティティの組み込みベースであるため、エンティティに依存しない論理ルールをキャプチャするのに苦労しています。
このギャップを埋めるために、n-aryの関係事実に関する完全誘導リンク予測（ILP）のためのN-aryサブグラフ推論フレームワークを提案します。
このフレームワークは、地元のサブグラフに対する理由があり、N-aryパターンをキャプチャする強力な誘導推論能力を持っています。
具体的には、サブグラフの抽出を促進するために、新しいグラフ構造であるn-aryセマンティックハイパーグラフを導入します。
さらに、サブグラフ集約ネットワークNS-HARTを開発して、サブグラフ内の複雑なセマンティック相関を効果的に採掘します。
理論的には、スコア関数の最適化の観点から、N-ary ILPタスクに対するNS-Hartの有効性に光を当てるように、徹底的な分析を提供します。
経験的には、転送推論（エンティティ機能の有無にかかわらず）やペアワイズサブグラフの推論など、一連の帰納ベンチマークで広範な実験を実施します。
結果は、N-aryサブグラフ推論フレームワークの優位性と、NS-HARTの例外的な帰納能力を強調しています。
このペーパーのソースコードは、https：//github.com/yin-gz/nary-inductive-subgraphで公開されています。

要約(オリジナル)

N-ary relational facts represent semantic correlations among more than two entities. While recent studies have developed link prediction (LP) methods to infer missing relations for knowledge graphs (KGs) containing n-ary relational facts, they are generally limited to transductive settings. Fully inductive settings, where predictions are made on previously unseen entities, remain a significant challenge. As existing methods are mainly entity embedding-based, they struggle to capture entity-independent logical rules. To fill in this gap, we propose an n-ary subgraph reasoning framework for fully inductive link prediction (ILP) on n-ary relational facts. This framework reasons over local subgraphs and has a strong inductive inference ability to capture n-ary patterns. Specifically, we introduce a novel graph structure, the n-ary semantic hypergraph, to facilitate subgraph extraction. Moreover, we develop a subgraph aggregating network, NS-HART, to effectively mine complex semantic correlations within subgraphs. Theoretically, we provide a thorough analysis from the score function optimization perspective to shed light on NS-HART’s effectiveness for n-ary ILP tasks. Empirically, we conduct extensive experiments on a series of inductive benchmarks, including transfer reasoning (with and without entity features) and pairwise subgraph reasoning. The results highlight the superiority of the n-ary subgraph reasoning framework and the exceptional inductive ability of NS-HART. The source code of this paper has been made publicly available at https://github.com/yin-gz/Nary-Inductive-SubGraph.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google