StarGraph: Wissensdarstellungslernen basierend auf unvollständigen Zwei-Hop-Untergraphen

Konventionelle Lernalgorithmen für die Darstellung von Wissensgraphen (KG) ordnen jedem Entitätselement einen eindeutigen Einbettungsvektor zu und ignorieren dabei die reichhaltige Information, die in der Nachbarschaft enthalten ist. Wir schlagen eine Methode namens StarGraph vor, die eine neuartige Möglichkeit bietet, die Nachbarschaftsinformationen für große Wissensgraphen zu nutzen, um Entitätsdarstellungen zu erhalten. Zunächst wird ein unvollständiger zweihüpflicher Nachbarschaftsuntergraph für jedes Zielknoten generiert und dann durch ein modifiziertes Selbst-Aufmerksamkeitsnetzwerk verarbeitet, um die Entitätsdarstellung zu erzeugen. Diese wird verwendet, um den Entitäts-Einbettungsvektor in konventionellen Methoden zu ersetzen. Wir erreichten state-of-the-art (SOTA) Leistungen auf ogbl-wikikg2 und erzielten wettbewerbsfähige Ergebnisse auf fb15k-237. Die experimentellen Ergebnisse belegen, dass StarGraph parameter-effizient ist und dass die Verbesserungen auf ogbl-wikikg2 seine hohe Effektivität bei der Darstellungslernung in großen Wissensgraphen unterstreichen. Der Code ist nun unter \url{https://github.com/hzli-ucas/StarGraph} verfügbar.