Ein Referenzstandard für semi-induktive Linkvorhersage in Wissensgraphen

Die semi-induktive Link-Vorhersage (LP) in Wissensgraphen (KG) ist die Aufgabe, Fakten für neue, bisher unbekannte Entitäten basierend auf Kontextinformationen vorherzusagen. Obwohl neue Entitäten prinzipiell durch das Neutrainieren des Modells von Grund auf neu integriert werden können, ist ein solcher Ansatz für große Wissensgraphen unpraktikabel, da das Neutrainieren kostspielig ist und neue Entitäten häufig auftreten können. In dieser Arbeit schlagen wir eine groß angelegte Benchmark-Methode vor, um semi-induktive LP-Modelle zu evaluieren. Die Benchmark basiert auf und erweitert Wikidata5M: Sie bietet transductive, k-shot und 0-shot LP-Aufgaben, wobei die verfügbare Information von (i) nur der Struktur des Wissensgraphen bis hin zu (ii) textuellen Erwähnungen und (iii) detaillierten Beschreibungen der Entitäten variiert. Wir berichten über eine kleine Studie neuerer Ansätze und stellten fest, dass die Leistung der semi-induktiven LP bei langschwänzigen Entitäten in allen Experimenten weit unterhalb der transduktiven Leistung liegt. Die Benchmark bietet eine Testumgebung für weitere Forschungen zur Integration von Kontext und textueller Information in semi-induktive LP-Modelle.