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