qq_45444343的博客

知识图谱作为一种结构化的知识表示形式，在现实世界中得到了广泛的应用。近年来，以“少样本知识图谱补全”(FKGC)为研究对象的知识图谱补全技术越来越受到实验人员和研究者的关注。然而，现有的FKGC方法是基于度量学习或元学习的，这些方法经常存在分布外泛化和过拟合问题。同时，它们无法估计预测中的不确定性，这一点至关重要，因为模型预测在少样本情况下可能非常不可靠。此外，大多数算法不能处理复杂的关系，忽略了KGs中的路径信息，这在很大程度上限制了它们的性能。本文提出了一种基于标准化流的知识图谱补全神经过程。

图神经网络(GNN)有效地利用知识图谱(KG)中的拓扑结构在低维空间中嵌入实体和关系，在知识图谱补全(KGC)中显示出强大的功能。KG具有丰富的全局和局部结构信息，然而，许多基于GNN的KGC模型不能通过设计复杂的聚合方案来捕获这两类关于图结构的信息，并且不能很好地学习孤立子图中具有稀疏邻域的可见实体的表示。在本文中，我们发现一个简单的基于注意力的方法可以优于一般的基于GNN的KGC方法。然后，我们提出了一种基于双分支多注意的图神经网络(MA-GNN)来学习包含丰富的全局局部结构信息的更具表现力的实体表示。

少样本知识图谱补全（FKGC）是目前知识图谱补全任务的一个研究热点，旨在拥有少量样本数据的情况下，完成知识图谱补全任务。该任务在实际应用和知识图谱领域都有着重要的研究意义,为了进一步促进FKGC领域的发展，对目前各类方法进行了全面总结和分析。