Locality-aware subgraphs for inductive link prediction in knowledge graphs

本文主要是介绍Locality-aware subgraphs for inductive link prediction in knowledge graphs,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

Locality-aware subgraphs for inductive link prediction in knowledge graphs

a b s t r a c t

最近的知识图(KG)归纳推理方法将链接预测问题转化为图分类任务。 他们首先根据目标实体的 k 跳邻域提取每个目标链接周围的子图,使用图神经网络 (GNN) 对子图进行编码,然后学习将子图结构模式映射到链接存在的函数。 尽管这些方法取得了巨大的成功,但增加 k 通常会导致邻域呈指数扩张,从而因过度平滑而降低 GNN 的表达能力。 在本文中,我们将子图提取制定为局部聚类过程,旨在基于个性化 PageRank (PPR) 方法对目标链接周围紧密相关的子图进行采样。 根据经验,在三个现实世界的 KG 上,我们表明,对基于 PPR 的局部聚类提取的子图进行推理可以产生比依赖固定跳距离内的邻居更准确的链接预测模型。 此外,我们研究了平均聚类系数和节点度等图属性,并表明这些属性与基于子图的链接预测的性能之间存在关系。

1. Introduction

GNN 在集成节点特征和捕获大型复杂图中的拓扑模式时存在一些局限性 [19-22]。 因此,增加目标链接周围邻域的大小不会提高(或可能降低)GNN 的预测性能。 在本文中,我们试图解决对目标链路周围的局部感知子图进行推理是否可以比对通过固定跳数提取的子图进行推理产生更高的链路预测精度。

我们使用 PPR 围绕给定种子节点(目标链接的头部和尾部)执行局部偏置随机游走,这使我们能够对目标链接图中节点的重要性进行排名。 然后,我们依靠 PPR 分数来提取目标链接附近的局部和密集子图,用于所提出的基于 GNN 的链接预测模型的训练和推理阶段。

本文贡献:

  1. 引入一种名为 LCILP(归纳链接预测的局部聚类)的新策略,通过对基于 PPR 的局部聚类技术提取的局部感知子图进行推理来进行归纳链接预测。
  2. 研究图属性和我们提出的方法之间的关系。 我们证明了图的平均聚类系数、平均节点度和链路预测的性能之间存在关系。

3. Approach

在这里插入图片描述

(1)使用基于 PPR 的局部聚类技术提取 u 和 v 周围的子图,
(2)标记提取的子图节点,
(3)使用 GNN 模型对子图进行编码 ,
(4)对子图进行评分。

3.1. Step 1: subgraph extraction

在这里插入图片描述

子图提取由两个步骤组成:首先,根据节点与给定种子集(代表目标实体)的接近度对节点进行评分。 其次,按节点得分的降序考虑节点以创建嵌套的本地集群,然后可以使用优度度量对其进行评估。 PPR,也称为随机游走与重启,是衡量节点重要性的最常见的评分方法之一。 我们使用近似 PPR 来克服 PPR 计算成本昂贵的问题。 如算法 1 所示,我们根据种子集 = { u , v }(两个节点) 对图 G 的顶点进行排序。 近似参数维护两个向量:解向量 p 和残差向量 r,其中 p 向量是 PPR 向量的近似值,向量 r 包含近似误差。 隐形传态概率 α 控制我们从种子集的邻域中合并的信息量。 也就是说,当 α 的值接近 1 时,随机游走传送到种子节点的频率更高,因此我们更加重视节点的直接邻域。 随着 α 值的减小,我们反而更加重视种子节点的扩展(多跳)邻域。

3.2. Step 2: node labeling

们为子图中的每个实体(节点)定义一个与实体无关的嵌入。 按照 [15] ,目标关系的 u 和 v 节点周围的子图中的每个节点 i 都用元组 (d(i, u ) , d(i, v )) 标记,其中 d(i, u ) 是 节点 i 和 u 之间的最短距离(对于 d(i, v ) 也是如此)。 两个目标节点 u 和 v 被标记为 (0, 1) 和 (1, 0),以便模型可识别。 该方案捕获子图中每个节点相对于目标链接的位置。 在这里插入图片描述

3.3. Step 3: subgraph embedding

在这里插入图片描述在这里插入图片描述

3.4. Step 4: scoring and loss function

在这里插入图片描述

这篇关于Locality-aware subgraphs for inductive link prediction in knowledge graphs的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1035194

相关文章

ora-01017 ora-02063 database link,oracle11.2g通过dblink连接oracle11.2g

错误图示: 问题解决 All database links, whether public or private, need username/password of the remote/target database. Public db links are accessible by all accounts on the local database, while private

Spring源码学习--Aware相关接口(beanNameAware接口/BeanFactoryAware接口/ApplicationContextAware接口)

可以先这样理解在Spring中以Aware结尾的接口的功能 看到Spring源码中接口以Aware结尾的接口(XXXAware)在Spring中表示对XXX可以感知,通俗点解释就是:如果在某个类里面想要使用spring的一些东西,就可以通过实现XXXAware接口告诉Spring,Spring看到后就会给你送过来,而接收的方式是通过实现接口唯一方法set-XXX.比如:有一个类想要使用当前

Detection简记2-DAFE-FD: Density Aware Feature Enrichment for Face Detection

创新点 1.使用密度估计模型增强检测中的特征图 总结 整个流程还是很清晰的。 conv1-3的特征图经过密度估计模块由检测器D1进行检测。 D2-4分别是四个检测器。 FFM是特征融合模块,将不同层不同大小的特征融合。 FFM网络结构如下: 首先使用1X1的卷积减少两组特征的厚度到128,然后使用双线性插值统一两组特征图的尺寸,然后相加。类似于cvpr2017的SSH。 多尺度检测器的网

知识图谱(knowledge graph)——概述

知识图谱总结 概念技术链概括通用知识图谱和垂直领域知识图谱国内外开放知识图谱 技术链详解知识获取知识融合知识表示知识推理知识存储 知识图谱构建流程其他挑战跨语言知识抽取跨语言知识链接 思考参考 概念 知识图谱(Knowledge Graph)以结构化的形式描述客观世界中概念、实体及其关系。是融合了认知计算、知识表示与推理、信息检索与抽取、自然语言处理、Web技术、机器学习与大数据

知识图谱(knowledge graph)——RDF(Resource Description Framework)

RDF的基本单元是三元组(triple) 每个三元组是(主语 谓语 宾语) 这样的元组tuple。主谓宾的取值称为"资源"(Resource, 也就是RDF里的R) 资源可以是一个网址(URI),一个字符串或数 字(严格来讲都是带类型的字符串,称为 literal),或者一个“空节点”(blank node)。 有两种特殊类型的资源。rdfs:Class代表类。 rdf:Property代

C++编译器与链接器工作原理 + Link错误

http://blog.csdn.net/qq_20389175/article/details/44159061 VC项目调试基础 --http://blog.csdn.net/phunxm/article/details/5203931   一.Debug版本和Release版本的区别 Debug通常称为调试版本,它包含调试信息,并且不作任何优化,便于程序员调试程序。Release称为

《BLINKS: Ranked Keyword Searches on Graphs》——论文笔记

ABSTRACT 目前关键词查询的技术缺陷:poor worst-case performance, not taking full advantage of indexes, and high memory requirements. 本文方法:BLINKS, a bi-level indexing and query processing scheme for top-k keyword

CSS - link和@import的区别

页面中使用CSS的方式主要有3种:行内添加定义style属性值,页面头部内嵌调用和外面链接调用,其中外面引用有两种:link和@import。外部引用CSS两种方式link和@import的方式分别是: XML/HTML代码 <link rel="stylesheet" rev="stylesheet" href="CSS文件" type="text/css" media="all

解决Node.js调用fs.renameSync报错的问题(Error: EXDEV, cross-device link not permitted)

在写一个文件上传的功能时候,调用fs.renameSync方法错误 出错 代码所在如下: 1 function upload(response,request){ 2 console.log("upload called"); 3 var form = new formidable.IncomingForm(); 4 console.log("about t

Html中a标签的四个属性 link ,visited , hover ,active 是有顺序的! LVHA

1。html中a标签的四个属性书写是有顺序的,如果顺序不对,显示效果有可能出现差错。 a:link{text-decoration:none ; color:#c00 ;} a:visited {text-decoration:none ; color:#c30 ;} a:hover {text-decoration:underline ; color:#f60 ;} a:active