摘要
少样本知识图谱（Knowledge Graph, KG）补全任务旨在对知识图谱进行归纳推理：给定一个新关系 $\bowtie$ 的少量支持三元组（例如，(切菜, $\bowtie$, 厨房)、(阅读, $\bowtie$, 图书馆)），目标是预测该未见关系 $\bowtie$ 的查询三元组（如，(睡觉, $\bowtie$, ?)）。当前方法通常将该问题置于元学习（meta-learning）框架下，要求模型首先在大量训练阶段的少样本任务上联合训练，每个任务对应一个独立的关系，从而确保在目标少样本任务上能够实现有效的学习与预测。然而，在真实世界的知识图谱中，构建大量训练任务是一个困难且高度依赖人工的流程。为此，本文提出一种名为连接子图推理器（Connection Subgraph Reasoner, CSR）的新方法，该方法无需在人工构建的训练任务集上进行预训练，即可直接对目标少样本任务做出预测。CSR的核心思想是：受消去归纳（eliminative induction）原则的启发，显式建模支持三元组与查询三元组之间的共享连接子图结构。为了适应特定知识图谱的特性，我们设计了一种相应的自监督预训练机制，其目标是重建由算法自动采样的连接子图。经过该自监督预训练后，模型可直接应用于目标少样本任务，无需额外的少样本任务微调。在真实知识图谱（包括 NELL、FB15K-237 和 ConceptNet）上的大量实验表明，本文框架具有显著有效性：即使不引入任何学习过程（即“无学习”实现），CSR在目标少样本任务上的表现已可与现有方法相媲美；而在引入预训练后，CSR在更具挑战性的归纳型少样本任务中取得了最高达52%的性能提升，尤其当实体在（预）训练阶段也未见时，优势更加明显。