摘要
多跳知识图谱（KG）推理是一种有效且可解释的方法，通过在查询回答（QA）任务中沿推理路径预测目标实体。大多数先前的方法假设知识图谱中的每个关系都有足够的训练三元组，而忽略了那些无法提供足够三元组以训练稳健推理模型的少样本关系。实际上，现有的多跳推理方法在少样本关系上的性能显著下降。本文提出了一种基于元学习的多跳推理方法（Meta-KGR），该方法从高频关系中学习有效的元参数，从而能够快速适应少样本关系。我们在来自Freebase和NELL的两个公开数据集上对Meta-KGR进行了评估，实验结果表明，Meta-KGR在少样本场景下优于当前最先进的方法。我们的代码和数据集可以从https://github.com/THU-KEG/MetaKGR 获取。