缓解归纳式超关系知识图谱补全中的配对频率偏差与限定词-主关系不匹配问题

《Neurocomputing》：Mitigating pair-frequency bias and qualifier-primary relation mismatch in inductive hyper-relational knowledge graph completion

　　**摘要要点**- FREQ 在 MAYPL 中纠正了配对聚合，无需添加可学习参数。- IDF 根据图频率对头、尾和限定词配对编码进行条件化。- 关系条件权重为未见实体选择兼容的限定词。- FREQ 将复现的 MAYPL 最高提升了 3.84 个 MRR 百分点。- 多种子控制实验支持对数频率和零参数设计。## 引言知识图谱（KGs）将现实世界的事实表示为结构化三元组，支持问答、信息检索和常识推理等任务[1], [2]。普通三元组通常不足以表示带有上下文约束的事实。例如，"奥巴马获得诺贝尔和平奖"这一陈述如果不进一步用限定词（如时间：2009年、地点：奥斯陆）进行补充，则是不完整的。超关系知识图谱（HKGs）通过限定词键值对扩展三元组，使得时间、地点、角色和其他上下文信息可以被显式表示[3], [4]。KG 补全旨在推断缺失的事实。归纳式 HKG 补全需要预测涉及训练图中不存在实体的事实，使用推理时可用的关系结构。MAYPL [5] 通过三种配对类型表示每个事实：头-关系配对（h-pair）、尾-关系配对（t-pair）和限定词关系-实体配对（q-pairs）。其 ANMP 层在消息传递过程中编码和聚合这些配对表示。原始编码器不显式地将配对特征以其图频率或限定词消息与主关系的兼容性进行条件化。图1展示了WD20K100v1推理图上的两种信号。三种配对类型的配对出现频率高度偏斜。涉及常见关系的配对（如"时间点"和"国家"）反复出现，而许多配对仅出现少数几次。这种分布为配对表示的条件化提供了图级信号。关系类型兼容性提供了第二种信号：限定词关系可以与主关系弱对齐，例如"获奖"与"雇主"的组合。FREQ 是 MAYPL 配对处理流水线的零参数模块。它保持配对提取、ANMP消息传递、评分和训练目标不变。IDF 在 MAYPL 现有配对级归一化之前，为 h-pair、t-pair 和 q-pair 投影提供频率条件缩放。RCQW 通过缩放的点积兼容性对每个限定词关系与主关系进行评分，并对归一化的 q-pair 消息进行加权。两种信号使用图统计和现有关系嵌入，因此无需引入实体特定参数即可适用于未见实体。在 WD20K100v1 和 WP-IND 上的多种子组件消融实验表明，两种信号提供互补效益，其组合在两个数据集上均实现了最高的平均 MRR。## 章节摘要### 超关系知识图谱补全Transductive HKG 补全方法通过显式建模限定词来扩展二元 KG 补全。HINGE [6] 使用卷积编码将限定词键值对纳入链接预测。StarE [3] 结合了 R-GCN [7] 和 CompGCN [8] 的思想，使用可学习的组合方法将限定词与实体表示合并，形成了 HKGs 中的配对聚合模式。后续方法包括 GRAN [9] 中的超图建模、NaLP [10] 中的关系事实建模、超关系……### 问题定义与符号HKG 由实体集、关系集和事实集组成。每个事实定义为：其中是主三元组，是第个限定词键值对，是限定词数量。在归纳设置中，给定训练图和推理图。两个图共享关系集。在全归纳设置中，它们的实体集不相交；半归纳设置也允许与训练图共享实体。我们使用过滤后的平均倒数排名（MRR）作为……### 实验设置我们在四个归纳式 HKG 基准上评估 FREQ，如表2所示。WD20K100v1 和 WD20K100v2 是 Wikidata 子集[3]，具有实体不相交的归纳划分、高限定词密度，分别包含91和56个关系。在训练图中，具有至少两个限定词的事实比例分别为和。WP-IND 和 MFB-IND 是 WikiPeople [6] 和 Freebase [38] 的归纳版本。它们的推理图包含所有训练实体加未见实体。限定词密度要低得多……### 结论本工作介绍了两个零参数条件信号，作用于 MAYPL 配对处理流水线的不同位置。图频率在配对归一化之前对 h-pair、t-pair 和 q-pair 投影进行缩放，而共享关系类型之间的兼容性决定了聚合过程中归一化限定词消息的权重。骨干架构、目标和参数数量保持不变。在四个归纳式 HKG 基准上，FREQ 一致地改进了复现的 MAYPL 并……### CRediT 作者贡献声明**Xinyu Chen：** 撰写 – 初稿，方法论，调查研究，形式分析，概念化。**Nan Wu：** 撰写 – 审阅与编辑，验证，调查研究，数据整理。**Yi Yang：** 撰写 – 审阅与编辑，验证，调查研究，数据整理。**Jia Wang：** 撰写 – 审阅与编辑，方法论，形式分析。**Fangfang Han：** 撰写 – 审阅与编辑，方法论，形式分析。**Haoran Yu：** 撰写 – 审阅与编辑，方法论，形式分析。**Yongming Cai：** 撰写 – 审阅……### 生成式人工智能及AI辅助技术写作过程声明在稿件准备过程中，作者仅使用 AI 辅助工具进行语言润色、可读性检查和一致性检查。这些工具未被用于生成研究想法、设计实验、分析数据、得出结论、创建图像或撰写参考文献。### 资金本工作得到了广州市科学技术局广州市基础研究计划-基础和应用基础研究项目（项目编号：2025A03J3712）和中国大学产学研创新基金、行业联盟智慧医疗创新专项（项目编号：2025XH007）的支持。资助方未参与研究设计、数据收集和分析、发表决定或稿件准备。### 利益冲突声明作者声明他们没有已知的竞争性经济利益或个人关系可能影响本文所报告的工作。### 作者简介**Xinyu Chen** 于2024年从中国广东药科大学获得学士学位。目前就读于中国广东药科大学医学信息工程学院攻读硕士学位。他的研究兴趣包括人工智能、知识图谱和AI智能体。Xinyu Chen | Nan Wu | Yi Yang | Jia Wang | Fangfang Han | Haoran Yu | Yongming Cai