元学习解决知识图外推：新兴KG的嵌入与链接预测提升

本文主要探讨了知识外推问题在新兴知识图（KG）嵌入与链接预测场景中的应用。在现实环境中，知识图通常并非完全集中存储，而是以分布式形式存在，特别是在移动应用中，用户设备上可能存在个人化的、不完整的知识图。这导致了在处理新兴知识图时面临的挑战，即如何在仅有的可见实体和关系上训练模型，以便有效地嵌入未知的实体和关系。 为了解决这个问题，作者引入了元学习的概念，这是一种机器学习策略，旨在在一个共享的框架内学习多个相关任务的通用解决方案。在这个元学习设置下，研究者构建了一个图神经网络（GNN）框架，它能够利用现有KG的结构信息来生成对未见过的实体和关系的特征表示，并为它们提供嵌入。这种方法的关键在于，通过模拟前KG上的链接预测任务，模型能够在没有直接访问新知识的情况下进行适应。 实验结果表明，提出的元学习方法在嵌入看不见的组件（包括实体和关系）方面表现出色，相较于传统的知识图嵌入（KGE）方法，它在归纳设置下显示出更好的性能。传统KGE方法往往假设所有知识都是可用的，但在现实中，面对新兴知识图的不完整性和多样性，这种假设不再适用。 文章的创新之处在于将元学习应用于知识图外推问题，展示了如何在联邦环境中有效处理知识的缺失和扩展。通过Meta训练，模型不仅能够处理已知信息，还能对新兴知识进行动态适应，这对于推动知识图在实际应用中的拓展和效率提升具有重要意义。 这篇论文的核心内容围绕知识图的元学习方法，其目标是解决新兴知识图的嵌入与链接预测问题，为解决知识图的分布式和不完整性提供了一种新的解决方案，为未来的知识图研究和应用开辟了新的方向。