面向少样本知识图谱补全的关系感知语义建模方法OA
Relation-aware Semantic Modeling Approach for Few-shot Knowledge Graph Completion
近年来,少样本知识图谱补全任务因能通过少量参考三元组推理目标关系下的未知查询而备受关注.本文提出一种关系感知语义建模方法,通过联合建模三元组的图结构上下文与局部邻居语义,实现关系语义与实体语义的深度融合.该方法首先利用上下文路径生成器提取覆盖多跳依赖的图结构信息,再借助多尺度图表示编码器分别建模全局结构化语义与局部邻域语义,最终通过语义匹配聚合模块完成查询三元组与支持三元组的关系特定比对.在两个基准数据集NELL-One与Wiki-One上进行的实验表明,该方法在多个主流评估指标上均优于现有代表性方法.以NELL-One数据集为例,平均倒数排名、命中率前十、前五和前一指标分别提升3.8%、2.4%、2.2%和4.3%,验证了该方法在应对实体邻居稀疏与多重关系语义混淆问题时具备良好的表示能力与鲁棒性.
Few-shot knowledge graph completion aims to infer unseen queries for a target relation with only a few support triples.This study proposed a relation-aware semantic modeling method.It integrated global structural context and local neighborhood se-mantics of triples to create expressive relation-specific representations.The method used a context path generator to extract multi-hop dependency paths.It also employed a multi-scale graph encoder to capture global semantic structure and local entity features.A semantic matching aggregation module aligned query triples with support triples under each relation.Experiments on NELL-One and Wiki-One datasets showed consistent improvement over existing methods on multiple metrics.For the five-shot setting on NELL-One,it increased mean reciprocal rank,Hits@10,Hits@5,and Hits@1 by 3.8%,2.4%,2.2%,and 4.3%,respectively.The re-sults demonstrate the method's effectiveness and robustness in handling sparse neighborhoods and relation ambiguity in few-shot sce-narios.
胡杨娟;汪凯乐;杨飞;李玉玲
安徽医科大学 生物医学工程学院,安徽 合肥 230012安徽医科大学 生物医学工程学院,安徽 合肥 230012安徽医科大学 生物医学工程学院,安徽 合肥 230012安徽医科大学 生物医学工程学院,安徽 合肥 230012
信息技术与安全科学
少样本知识图谱补全上下文建模多尺度表示学习关系语义表示
few-shot knowledge graph completioncontext modelingmulti-scale representation learningrelation semantic represen-tation
《山西大学学报（自然科学版）》 2026 (4)
571-580,10
国家自然科学基金(6240600762401016)
评论