ترجمه فارسی مقاله بازنمودهای زیرگراف ناشی از قوانین یادگیری برای پیش بینی رابطه استقرایی

چکیده

Inductive relation prediction (IRP) — where entities can be different during training and inference — has shown great power for completing evolving knowledge graphs. Existing works mainly focus on using graph neural networks (GNNs) to learn the representation of the subgraph induced from the target link, which can be seen as an implicit rule-mining process to measure the plausibility of the target link. However, these methods cannot differentiate the target link and other links during message passing, hence the final subgraph representation will contain irrelevant rule information to the target link, which reduces the reasoning performance and severely hinders the applications for real-world scenarios. To tackle this problem, we propose a novel \textit{single-source edge-wise} GNN model to learn the \textbf{R}ule-induc\textbf{E}d \textbf{S}ubgraph represen\textbf{T}ations (\textbf{REST}), which encodes relevant rules and eliminates irrelevant rules within the subgraph. Specifically, we propose a \textit{single-source} initialization approach to initialize edge features only for the target link, which guarantees the relevance of mined rules and target link. Then we propose several RNN-based functions for \textit{edge-wise} message passing to model the sequential property of mined rules. REST is a simple and effective approach with theoretical support to learn the \textit{rule-induced subgraph representation}. Moreover, REST does not need node labeling, which significantly accelerates the subgraph preprocessing time by up to \textbf{11.66$\times$}. Experiments on inductive relation prediction benchmarks demonstrate the effectiveness of our REST. Our code is available at https://github.com/smart-lty/REST.

چکیده به فارسی (ترجمه ماشینی)

پیش بینی رابطه القایی (IRP) – در جایی که اشخاص در طول آموزش و استنباط می توانند متفاوت باشند – برای تکمیل نمودارهای دانش در حال تحول قدرت بسیار خوبی را نشان داده است.آثار موجود عمدتا بر استفاده از شبکه های عصبی نمودار (GNN) برای یادگیری بازنمایی زیرگراف ناشی از پیوند هدف متمرکز شده است ، که می تواند به عنوان یک فرآیند روانگردان ضمنی برای اندازه گیری محتمل پیوند هدف تلقی شود.با این حال ، این روش ها نمی توانند پیوند هدف و سایر پیوندها را هنگام ارسال پیام متمایز کنند ، از این رو نمایندگی زیرگراف نهایی حاوی اطلاعات قانون بی ربط به پیوند هدف خواهد بود ، که باعث کاهش عملکرد استدلال می شود و برنامه های مربوط به سناریوهای دنیای واقعی را به شدت مانع می کند.برای مقابله با این مشکل ، ما یک رمان \ textit {تک منبع Edge-Wise} gnn را پیشنهاد می کنیم تا \ textbf {r} ule-induc \ textbf {e} d \ textbf {s} ubgraph \ textbf {t} را بیاموزیم.Ations (\ TextBf {REST}) ، که قوانین مربوطه را رمزگذاری می کند و قوانین بی ربط را در زیرگراف از بین می برد.به طور خاص ، ما یک رویکرد اولیه سازی \ textit {Single-Source را پیشنهاد می کنیم تا ویژگی های EDGE را فقط برای پیوند هدف قرار دهیم ، که ارتباط قوانین استخراج شده و پیوند هدف را تضمین می کند.سپس ما چندین کارکرد مبتنی بر RNN را برای پیام \ textit {Edge-wis} ارسال می کنیم تا از مدل خاصیت پی در پی قوانین معدن استفاده کنیم.REST یک رویکرد ساده و مؤثر با پشتیبانی نظری برای یادگیری \ textit repreation بازنمایی زیرگراف ناشی از قاعده است.علاوه بر این ، REST نیازی به برچسب زدن گره ندارد ، که به طور قابل توجهی زمان پیش پردازش زیرگراف را تا حداکثر \ textbf {11.66 $ \ برابر $ $ تسریع می کند.آزمایشات مربوط به معیارهای پیش بینی رابطه القایی نشان دهنده اثربخشی استراحت ما است.کد ما در https://github.com/smart-lty/rest در دسترس است.