完全帰納的知識グラフ完成のための関係メッセージパッシング

知識グラフ完成（KGC）において、知識グラフの埋め込みが学習されるときに見えない新たなエンティティや関係を伴うトリプルを予測することは、重要な課題となっています。メッセージパッシングによるサブグラフ推論は、有望で一般的な解決策です。最近のいくつかの手法は良好な性能を達成していますが、（i）通常、見えないエンティティのみを含むトリプルを予測することができ、見えないエンティティと見えない関係の両方を含むより現実的な完全帰納的な状況に対処できないこと、（ii）しばしば、関係パターンが十分に活用されずにエンティティ間でメッセージパッシングが行われることがあります。本研究では、完全帰納的KGCのために新たな関係メッセージパッシングネットワークを使用した新しい手法RMPIを提案します。この手法は、新しい技術を用いてサブグラフ推論のために関係間でメッセージを直接渡し、グラフ変換、グラフプルーニング、関係認識型近傍注意、空のサブグラフの処理などを行い、KGのオントロジースキーマで定義された関係の意味論を活用できます。複数のベンチマークでの広範な評価により、RMPIの技術の効果と、完全帰納的KGCをサポートする既存の手法と比較した際の優れた性能が示されています。また、RMPIは、非常に有望な結果を達成した最先端の部分帰納的KGC手法とも比較可能です。私たちのコード、データ、およびいくつかの補足実験結果は、https://github.com/zjukg/RMPI で入手できます。