L'achèvement de graphes de connaissances en peu d'exemples (FKGC) vise à inférer des triplets manquants pour des relations à longue traîne en utilisant un petit ensemble de références. Les modèles FKGC existants se concentrent principalement sur l'agrégation de la représentation des entités, s'appuyant fortement sur les interactions entre les entités centrales et leurs voisines. Cependant, les graphes de connaissances du monde réel contiennent des relations avec des significations multiples, et les modèles existants ont du mal à capturer la diversité des informations sémantiques des relations dans différents contextes. Pour aborder ce problème, nous proposons un nouveau modèle FKGC, l'apprentissage relationnel sensible au contexte et la correspondance multidimensionnelle (CRL-MM). Tout d'abord, le CRL-MM améliore la représentation des relations de tâche en obtenant des informations sémantiques dans différents scénarios en fonction de la similarité sémantique entre les relations de tâche et les relations de contexte. Deuxièmement, contrairement aux modèles précédents, qui s'appuient principalement sur les relations de quartier pour capturer l'information des relations, le CRL-MM considère la paire d'entités et son environnement comme un tout contextuel unifié, agrégeant les informations de quartier à travers des relations de tâche adaptatives et la prise de conscience des entités appariées pour améliorer l'encodage des entités. De plus, lors de la phase de correspondance, nous concevons un réseau de correspondance à partir de multiples dimensions, qui comprend non seulement le score de similarité des paires d'entités mais aussi le score de rationalité des triplets pour améliorer davantage la généralisabilité du modèle. Des expériences approfondies sur des ensembles de données de référence publics montrent que le CRL-MM surpasse les méthodes de pointe, et les expériences d'ablation démontrent également l'efficacité de chaque module du CRL-MM proposé.
Jiang et al. (Wed,) ont étudié cette question.