ConeE: Global and local context-enhanced embedding for inductiveknowledge graph completion

摘要

知识图谱补全(KGC)旨在补全知识图谱中缺失的信息。大多数以前的工作在换向设置中工作得很好，但不适用于感应设置，即在训练期间可能看不到测试实体。最近提出的方法是通过从子图中学习逻辑规则来获得归纳能力。然而，这些研究都只考虑了子图的结构信息，而忽略了KGs背后丰富的上下文语义信息，这往往会导致次优嵌入结果。此外，当子图稀疏时，它们往往表现不佳。为了解决这些问题，我们提出了一个全局和局部上下文增强嵌入网络，ConeE，它可以充分利用局部和全局上下文信息，通过以下两个组件来增强嵌入表示。(1)全局上下文建模模块(GCMM)是一种半参数粗粒度全局语义提取器，它通过基于bert的上下文编码器和语义融合网络(SFN)有效提取全局基于上下文的语义信息，并采用一种新的基于对比学习的采样策略来优化语义特征。此外，设计了评分网络，从三元组事实和推理路径两方面对三元组的置信度进行评估，提高预测的准确性。(2)局部上下文建模模块(LCMM)采用交互式图神经网络(IGNN)从子图中提取局部拓扑特征，并将互信息最大化(MIM)应用于子图建模，以捕获更多的局部特征。在基准数据集上的实验表明，ConeE显著优于现有的最先进的方法。

3.2. Overview