09 How Does Knowledge Graph Embedding Extrapolate to Unseen Data a Semantic Evidence View 李韧 中科院信工所

核心观点与关键数据

知识图谱嵌入（KGE）在处理未见数据时的外推能力主要依赖于三种语义证据（SEs）：关系级、实体级和三元组级。这些证据分别反映了实体间的关系共现、路径连接以及相似三元组的信息，为模型预测提供支持。

研究结论

1. 语义证据的作用：通过分析不同数据集上的实验结果，发现SEs的丰富程度与模型的预测性能呈正相关。关系级SE通过实体类型信息提供预测依据，实体级SE通过路径连接增强语义相关性，三元组级SE则利用相似三元组的信息进行外推。

2. 模型设计：当前KGE模型主要通过隐式且不足的方式捕捉SE信息，限制了其外推能力。为此，提出SE-GNN模型，通过显式捕捉和多层邻居聚合充分建模SE信息，提升外推性能。

3. 实验验证：在知识图谱补全任务上，SE-GNN模型相较于基线模型（如ConvE）表现出更好的性能。消融实验进一步验证了三种SEs的独立贡献，且同时去除两种SE建模部分会导致性能显著下降。

总结

该研究揭示了KGE模型外推能力的关键在于语义证据的利用，并通过SE-GNN模型实现了对SE信息的显式建模，显著提升了模型在未见数据上的预测性能。