【NeurIPS&&知识图谱】联邦环境下，基于元学习的图谱知识外推（阿里&浙大&含源码）

点击下方链接🔗关注我们

引言

   知识图谱（KGs）目前被广泛应用，但不论是传统的KGs和新建的KGs都会存在不完整的问题。虽然知识图谱嵌入(KGE)可以解决该类问题，但是「新兴的KG往往伴随着新的关系和实体，在已有KG上训练的KGE模型，是不能应用于在新建KG上去获取这些看不到的实体和关系的」。为此本文引入了元学习联邦设置，在现有KG上对一组任务进行采样，以模仿新兴KG上的链接预测任务，基于采样任务训练了一个图神经网络用于解决此类问题。

背景介绍

   知识图谱(KGs)是由大量三元组(头实体、关系、尾实体)组成的表达性的数据结构。如今，许多大规模的KGs已经成为越来越多应用的重要数据支持。随着 KG 的发展，它们不再仅仅以集中的方式应用，即可以在一台设备上访问 KG 的所有三元组，而且以分散的方式应用。目前，许多移动应用程序（APP）在用户的设备上构建了个人KG，自然，在新设备上的新KGs也会随时出现。然而，「众所周知，传统的大规模KG是不完整的；因此，新构建的KGs也面临这个问题。对于KG补全问题，大量的研究人员致力于通过学习实体和关系的低维向量表示(即：知识图谱嵌入，KGE)来预测缺失的环节」。   然而，知识图谱嵌入(KGE)方法在实际应用中并不完善。传统的KGE方法不能处理新的关系和实体，因为它们学习的是固定的实体和关系集的嵌入，而一个新兴的KG往往伴随着新的关系和实体。如上图所示，「新兴的KG包含一个看不见的实体Org.B和一个看不见的关系TeacherOf，因此，在已有KG上训练的KGE模型，是不能应用于在新建KG上去获取这些看不到的实体和关系的」。

   虽然现有方法可以通过归纳方法实现KG补全，进而解决KG中不可见实体的问题，但不能同时处理不可见关系和不可见实体。此外，这种归纳KG补全方法不能利用已知实体，因为没有考虑已知实体的可传递信息，比如训练过的向量表示；除非现有的KG与新兴的KG融合在一起。然而，「在实际应用程序中，由于多种原因，例如数据隐私，是不允许做这样的KG集成的。我们将这种场景称为联邦设置（federated setting）中的KGs，即这些KGs可以使用相同的模型，但它们的数据没有显式共享」。为此我们希望：能否利用对可见关系和实体训练得到的嵌入模型，在联邦环境中，得到 KG 的不可见关系和实体？

模型介绍

  一个新生KG的链接预测任务可以被看作是预测一组查询三元组的可信度。为了解决新生KG中的不可见组件（这里不可见组件指的是：不可见实体和不可见关系），「受元学习“学会学习”的启发，我们在现有KG上制定了一组由支持三元组和查询三元组组成的任务，模拟新兴KG中的链接预测任务，并学会在每个任务中嵌入不可见组件」。此外，我们提出了一个图神经网络(GNN)框架，它可以同时嵌入可见和不可见组件。如下图所示：   本文的模型框架主要包括三个模块：关系特征表示模块、实体特征表示模块、GNN知识外推（（Knowledge Extrapolation））。其中：

  关系特征表示模块：由三元组构造关系位置图(RPG)，揭示关系之间的相对位置，并在此基础上构造关系特征如上图(b)所示；其中，基于四个关系相对位置，我们定义了RPG中节点之间的四个关系，如上图(a)所示。为了避免混淆，我们将这种“关系之间的关系”称为元关系，并将表示关系的节点称为re -node。对于两个特定的关系，如果在支持三元组中出现了它们的一种相对位置，则它们在RPG中对应的rel-node将由对应的元关系连接起来。在构建RPG后，如上图图(c)所示。

  实体特征表示模块：使用实体和其相邻之间的连接来表示它们的特征;

  GNN知识外推模块：GNN对可见和不可见组件进行特征编码和输出嵌入，以实现知识外推。

实验快照

   将基于KG基准数据集评估本文提出的方法MaKEr(用于基于元学习的知识外推)，并将其与基线进行比较，以显示该模型的有效性。

1、如下表结果所示，本文提出的MaKEr在不同的基线上实现了改进，并且使用不同的KGE方法具有稳定的性能。2、如下表所示，与Asmp-KGE生产的嵌入式产品相比，MaKEr生产的嵌入式产品的分布更符合其对应的类型。对于Asmp-KGE，不同实体类型的嵌入是混合的，而对于MaKEr，嵌入映射到不同的集群。

推荐阅读

论文&&源码

Paper：https://arxiv.org/pdf/2205.04692.pdf

Code：https://github.com/zjukg/MaKEr

点击下方链接🔗关注我们

「资料整理不易，点个赞、再看吧」