研究问题

使用文本信息完成inductive KGC任务，并在inductive场景下提出了一些新的评估协议

背景动机

• 现有的基于结构的KGE模型无法处理动态图中新加入的实体，而这在现实生活中非常常见（inductive 场景定义：关系已知、实体未见）
• 基于文本的KGC模型只评测了在链路预测任务下模型的表现，不能全面反映其泛化性能
• 现有的使用文本信息完成KGC的方法是为实体和关系共同学习一个嵌入，这样就无法应对实体分类或关系分类任务

符号定义

定义一个带实体描述的知识图谱为$\mathcal{G}=(\mathcal{E},\mathcal{R},\mathcal{T},\mathcal{D})$，其中一个三元组记做$\left(e_i,r_j,e_k\right)$，对实体$e_i$的文本描述为$d_{ei}=\left(w_1,\dots ,w_n\right)\in \mathcal{D}$

链路预测的目标是让正样本的得分高于负样本

Bert对文本表示进行编码，经过投影矩阵得到实体表示

关系的表示像传统KGE模型一样，自己学习出来

实验

链路预测

论文在链路预测任务下设计了两个子任务

• Dynamic evaluation：测试时，未见过的实体在三元组中出现的位置是随机的，候选实体是训练集和测试集中实体的集合（实验数据集为FB和WN）
• Transfer evaluation：测试时，三元组的头尾实体都必须是未见过的实体，候选实体是测试集中实体的集合，也就是全部都没见过（实验数据集为Wikidata5M）

使用了TransE, DistMult, ComplEx, SimplE的得分函数

减少训练集样本，效果下降得不是很显著

实体分类

将WN数据集中的实体分为四类，将FB中的实体分为五十类

信息检索

transductive场景下的链路预测