基于图神经网络的开放世界知识推理技术研究.pdfVIP

摘要

摘要

知识图谱将现实事物间的联系高度概括为三元组的形式，在人工智能中起着

知识存储和智能计算的作用。然而，知识图谱通常存在大量的数据缺失，影响在

下游任务中的应用。知识推理则能够通过知识图谱中已有的知识自动推断出潜在

的信息，摒弃了人工补全与更新的繁杂。传统的知识推理方法面向封闭世界，不

能有效对新出现的实体或关系进行预测。图神经网络可以有效的学习图结构特征，

而不完全依赖于节点与边的表示，因此本文考虑使用图神经网络设计能够处理开

放世界数据的方法。本文的主要工作如下：

（1）少样本问题在知识图谱中广泛存在，因此针对实体未知的少样本数据，

提出一种使用图神经网络和元学习的归纳链接预测模型。该模型能自然推广到包

含未知实体的知识图谱上，在少样本数据上依然能有效工作。具体来说，首先将

数据根据关系类型分为四个任务，为其中的每个三元组构建一个子图；然后学习

子图中的数据特征，使用元学习框架依次对每个任务进行训练，将关系作为图神

经网络的可学习参数，使用消息传递更新节点和边；最后基于子图结构中的信息

对三元组进行评分。实验结果表明，该模型在基准数据集上关于指标Hits@10平

均有3.58%的提升。

2

（）开放世界知识图谱中存在同时包含未知实体和未知关系情况，尤其是

涉及公共安全等领域的隐私问题时，无法提前获知数据。因此提出一种联合实体

类型的知识外推模型，通过关系相关图进一步提取知识图谱中的特征，从而可以

推广到包含未知数据的知识图谱上。在训练时，将部分实体和关系视为未知，使

用预训练模型对知识图谱中已知的实体、关系和实体类型进行初始化；然后通过

两个消息传递模块使用已知成分表示未知实体和关系，使用图神经网络对图谱中

的特征进行更新；最终通过元学习训练机制获取最终的实体和关系表示。

（3）将提出的开放世界知识推理模型应用到具体的场景中，设计基于知识

推理的问答系统，用户可以通过输入三元组或问句查询知识图谱中的信息，对于

未知则通过知识推理模型进行推断。

关键词：知识图谱；知识推理；图神经网络；元学习；链接预测

I

Abstract

Abstract

Knowledgegraphshighlysummarizetheconnectionsbetweenreal-worldthingsin

theformoftriplets,andplaytheroleofknowledgestorageandintelligentcomputingin

artificialintelligence.However,knowledgegraphsoftenhavealargeamountofmissing

datawhichcanaffecttheapplicationindownstreamtasks.Knowledgereasoningcan

automaticallyinferpotentialinformationfromtheexistingknowledgeinaknowledge

graph,anddiscardthecomplicationofmanualcompletionandupdate.Traditional

knowledgereasoningmethodsareorientedtotheclosedworldandcannotpredict

emergingentitiesorrelations.Graphneuralnetworkscaneffectivelylearngraph

structuralfeatureswithoutrelyingcompletelyontherepresentationofnodesan