计算机工程

作者：刘文杰, 陈亮, 任智杰

单位：1. 南京信息工程大学软件学院, 江苏 南京 2100442. 南京信息工程大学数字取证教育部工程研究中心, 江苏 南京 210044

关键词：知识图谱,图神经网络,小样本关系预测,路径掩码,损失权重元学习

基金：国家自然科学基金(62071240); 江苏省自然科学基金(BK20231142)

知识图谱关系推理旨在推理实体间缺失的链接, 当前知识图谱关系推理模型在小样本关系推理上表现不佳, 且难以对训练集中未出现的实体进行关系推理。针对以上问题, 提出一种基于图神经网络(GNN)与损失权重元学习的知识图谱小样本关系归纳推理模型。模型利用图神经网络学习目标实体间的子图模式, 从而泛化到新实体的关系推理。通过路径掩码策略降低模型对特定子图模式的依赖, 捕捉数据中的关键特征和模式, 从而提高模型归纳推理泛化能力。基于元学习方法引入分布均衡的元数据集来学习一个自适应损失函数, 调整不同样本的损失权重, 使模型更关注难以预测的小样本关系, 从而提高模型对小样本关系预测的准确度。最后, 在归纳链接预测基准数据集FB15k-237和NELL-995中过滤掉没有子图的三元组, 并进行链接预测和三元组分类任务, 同时对测试集中属于小样本关系的三元组进行评价。实验结果表明, 所提模型在归纳推理基准数据集上具有较好的表现, 并且在7个小样本数据集上的性能比目前最优的模型平均提升1%左右。

来源：2025年第5期

《计算机工程》期刊编辑部

查看计算机工程杂志2025年第5期