Komal K. Teru, Etienne Denis, William L. Hamilton, “Inductive Relation Prediction by Subgraph Reasoning”, ICML 2020
- 姓名:GraIL
- 机构:McGill University and Mila
- 任务:知识图谱上 inductive 的关系预测(不太熟悉这个领域,不知道专业名词是啥😅)
- 流派:-
- 动机:别人预测知识图谱上节点之间的关系,大多是 transductive 的,这篇是 inductive;用上 logical rule 和 structural patterns
- 方法:非常简单,但一看就很有效!分三步
- 对于要预测关系的 A->B,挑选所有 A->B 长度小于 K+1 的路径,将这些路径组成一个子图
- 子图上,节点直接用(到 A 的距离,到 B 的距离)表示,边上关系保留,用 RGCN 信息聚合,最后拼接所有层的结果,得到节点的表示
- 平均子图里所有节点的表示作为图的表示,拼接 [图的表示;头实体 A;尾实体 B;关系 r] linear 二分类(A->B 有无关系 r)。
- 训练:正负样本 1:1 采样,负样本是正样本随机替换一个头/尾实体。
- 性能:自创任务,说是比其它的 inductive 方法在 inductive KG 关系预测好,在 transductive 任务上没看