知识图谱嵌入如何外推至未见数据：一种语义证据视角

知识图谱嵌入（Knowledge Graph Embedding, KGE）旨在学习实体与关系的低维表示。目前，大多数KGE模型在推理（extrapolation）场景下取得了显著成功。具体而言，对于未在训练集中出现的三元组（h, r, t），经过训练的模型仍能准确预测缺失的头实体 h（即 ? r t）或尾实体 t（即 h r ?），这种对未见数据的泛化能力令人印象深刻。然而，现有大多数KGE研究主要聚焦于设计精细的三元组建模函数，其核心目标是衡量已观测三元组的合理性，却难以解释为何这些方法具备良好的外推能力，也未明确揭示促进KGE外推的关键因素。因此，本文致力于从两个方面深入探究KGE的外推机制：（1）KGE是如何实现对未见数据的外推的？（2）如何设计具备更强外推能力的KGE模型？针对第一个问题，我们从关系、实体和三元组三个层次系统分析了影响外推能力的关键因素，提出了三种可从训练集中观测到的语义证据（Semantic Evidences, SEs），这些证据能够为外推提供重要的语义信息。通过在多种典型KGE方法上的大量实验，我们验证了所提SEs的有效性。针对第二个问题，为更充分地利用上述三个层次的语义证据，我们提出了一种新型基于图神经网络（GNN）的KGE模型——语义证据感知图神经网络（Semantic Evidence-aware Graph Neural Network, SE-GNN）。在SE-GNN中，每一层次的语义证据均通过对应的邻域模式进行显式建模，并借助多层聚合机制实现充分融合，从而获得更具外推能力的知识表示。最终，在FB15k-237与WN18RR两个标准数据集上的大量实验表明，SE-GNN在知识图谱补全任务中达到了当前最优性能，并展现出显著优于现有方法的外推能力。本文代码已开源，地址为：https://github.com/renli1024/SE-GNN。