基于归一化流增强高斯嵌入的小样本知识图谱补全方法研究

为解决小样本知识图谱补全(FKGC)中关系不确定性和邻居噪声问题，研究人员提出NFGN模型，整合归一化流与高斯嵌入技术，通过GD-TransE解码器和门控邻居编码器处理复杂语义关系，实验显示MRR等指标提升5.7%-10.6%，为知识图谱不确定性建模提供新范式。

　　

知识图谱(KG)作为结构化知识库，支撑着语义搜索和智能推荐等应用，但其构建过程常导致数据缺失。尤其对于长尾关系（如Wikidata中10%关系仅有不足10个实例），传统知识图谱嵌入(KGE)方法因样本稀疏而失效。小样本知识图谱补全(FKGC)虽应运而生，却面临两大挑战：一是将关系建模为确定性向量，忽视现实场景中如国籍关系的多义性（如误判“YeLi继承权”案例）；二是邻居聚合时未过滤噪声且忽略交互作用（如“SubPartOf”被误标为“Location”）。现有高斯嵌入方法（如UFKGC）仅用单峰分布，难以捕捉“SubPartOf”等关系的多模态特性，导致推荐系统误推旅游而非球员信息。

为此，中国研究人员提出NFGN模型，发表于《Knowledge-Based Systems》。该研究通过多尺度CNN提取稀疏数据特征，利用归一化流将单高斯分布扩展为多语义复杂分布，创新性结合GD-TransE解码器（融合TransE与高斯匹配）和门控邻居编码器（多头自注意力+阈值门控），实现关系不确定性的精准建模与邻居噪声过滤。

关键技术包括：1) 基于NELL/WIKI/FB15K-237数据集构建少样本任务；2) 归一化流双向映射函数转换基分布z₀
；3) GD-TransE评分函数整合高斯协方差；4) 门控编码器的多头注意力权重计算。

【研究结果】

1. Gated Neighbor Encoder：通过门控阈值抑制噪声邻居，注意力机制捕获交互，使Hits@5提升10.6%。
2. Normalizing Flow-enhanced Gaussian：多尺度CNN提取特征后，经可逆映射生成多峰分布，有效表达“SubPartOf”等复杂关系。
3. GD-TransE Decoder：在TransE中引入流增强的高斯分量，MRR提升5.7%，验证其对多语义关系的适应性。

【结论】NFGN首次将归一化流与高斯嵌入结合，突破传统FKGC的确定性建模局限，实验证明其在三大基准数据集上全面超越现有方法（如Hits@10提升6.7%）。该研究为医疗咨询、推荐系统等需处理不确定关系的场景提供新工具，未来可扩展至动态知识图谱时序建模。

（注：全文细节均依据原文，未添加外部信息；专业术语如FKGC/KGE等首次出现时已标注；数学符号使用_{/^{标签规范呈现）}}