DHGE: Dual-View Hyper-Relationales Wissensgraphen-Embedding für Link-Vorhersage und Entitätstypisierung

Im Bereich des Repräsentationslernens auf Wissensgraphen (KGs) besteht ein hyperrelationales Faktum aus einem Haupttripel und mehreren zusätzlichen Attribut-Wert-Beschreibungen, was als umfassender und spezifischer als ein tripelbasiertes Faktum angesehen wird. Derzeit verfügbare hyperrelationale KG-Embedding-Methoden in einer einzelnen Sicht sind jedoch in ihrer Anwendung begrenzt, da sie die hierarchische Struktur, die die Zugehörigkeit zwischen Entitäten darstellt, schwächen. Um diese Einschränkung zu überwinden, schlagen wir eine dual-sichtige hyperrelationale KG-Struktur (DH-KG) vor, die eine hyperrelationale Instanzansicht für Entitäten und eine hyperrelationale Ontologieansicht für Konzepte enthält, die hierarchisch aus den Entitäten abstrahiert werden. In dieser Arbeit definieren wir erstmals Link-Vorhersage- und Entitätstypisierungsaufgaben auf DH-KG und erstellen zwei DH-KG-Datensätze: JW44K-6K, der aus Wikidata extrahiert wurde, und HTDM, der auf medizinischen Daten basiert. Darüber hinaus schlagen wir DHGE vor, ein DH-KG-Embedding-Modell basierend auf GRAN-Codierern, HGNNs und gemeinsamem Lernen. Die experimentellen Ergebnisse zeigen, dass DHGE Baseline-Modelle auf DH-KG übertreffen kann. Schließlich geben wir ein Beispiel dafür, wie diese Technologie zur Behandlung von Hypertonie eingesetzt werden kann. Unser Modell und die neuen Datensätze sind öffentlich zugänglich.