AdaProp: Learning Adaptive Propagation for Graph NeuralNetwork based Knowledge Graph Reasoning_gumbel top-k

摘要

由于图神经网络(gnn)的流行，各种基于gnn的方法被设计用于在知识图(KGs)上进行推理。基于gnn的KG推理方法的一个重要设计组件是传播路径，它在每个传播步骤中包含一组相关实体。现有的方法使用手工设计的传播路径，忽略了实体和查询关系之间的相关性。此外，在更大的传播步骤中，涉及的实体数量将呈爆炸式增长。在这项工作中，我们的动机是学习一种自适应传播路径，以过滤掉不相关的实体，同时保留有希望的目标。首先，我们设计了一种增量采样机制，该机制可以保持线性复杂度的附近目标和分层连接。其次，我们设计了一个基于学习的抽样分布来识别语义相关的实体。大量的实验表明，我们的方法是强大的、高效的和语义感知的。代码可在https://github.com/LARS-research/AdaProp上获得。

1.介绍

知识图(Knowledge graph, KG)是一种表示现实世界实体之间关系的语义图[16,39]。基于KGs的推理旨在根据现有事实推断给定查询的缺失答案[1,6,20]。它已广泛应用于药物相互作用预测[4,40]、个性化推荐[4,18]和问答[12,18]。KG对查询(LeBron, lives_in， ?)和答案Los Angeles进行推理的示例如图1所示。符号上，推理问题可以表示为一个查询(