【PaperReading】Structure Is All You Need: Structural Representation Learning on Hyper-Relational Know

本文介绍超关系知识图谱（HKG）的结构表示学习方法。 HKG通过扩展三元组到超关系事实来丰富知识图谱，其中一组限定符添加了辅助信息到三元组中。虽然已经提出了许多HKG表示学习方法，但它们通常无法有效地利用HKG的结构。该论文证明，在HKG上推理时，充分利用HKG的结构至关重要，并且一种纯粹基于结构的表示学习方法可以在各种链接预测任务上实现最先进的性能。作者提出 MAYPL，它 根据HKG的结构学习初始化表示向量，并采用注意力神经消息传递，包括事实级消息计算和实体中心化和关系中心化的聚合，从而仅仅基于结构计算表示。由于其结构驱动的学习，MAYPL可以对新实体和关系进行归纳推断。在10个数据集上，MAYPL优于40种知识图谱补全方法，与不同的基准方法相比，从不同的角度测试不同的数据集。

术语解释

• HKGs：扩展传统三元组知识图谱的结构，通过添加限定符集合提供辅助信息，每个事实由主三元组和限定符集合组成，如((Finding Nemo, set in, Sydney), {(country, Australia), (state, New South Wales)})。
• MAYPL：本文提出的结构驱动表示