摘要
知识图谱中的链接预测在很大程度上依赖于实体和关系的嵌入质量。然而，大多数现有方法仅通过聚合每个实体的局部邻域来推导这些嵌入，忽视了知识图谱的全局结构。这种局限性阻碍了模型捕捉更高层次结构模式的能力，而这些模式对于准确和可泛化的链接预测至关重要。为了解决这些问题，我们提出了模型图归纳学习（MGIL）框架，通过基于实体的传入和传出关系结构的相似性或实体类型对实体进行聚类，从而构建模型图。然后，将图神经网络（GNN）应用于该模型图，以生成捕捉知识图谱全局视角的嵌入。这些嵌入随后作为原始知识图谱的高质量初始特征，替代随机初始化，从而导致更稳定和富有表现力的表示。在标准和最近提出的归纳基准上进行的大量实验证明，MGIL在归纳链接预测中实现了最先进或高度竞争的性能，突显了其在多种图设置中的有效性。
博主点评： MGIL 的提出为知识图谱的链接预测提供了新的视角，通过构建模型图并应用 GNN 有效捕获全局信息，显著提升了预测性能。这一方法不仅解决了局部视角的局限，还为未来的研究开辟了新的方向。