摘要

知识图补全的目的是扩展一个缺少三元组的不完整知识图。基于图嵌入的流行方法通常是这样工作的:首先在向量空间中表示KG，然后对结果向量应用预定义的评分函数来补全KG。这些方法在转导设置中工作良好，其中预测的三元组只涉及训练中看到的常量;然而，它们不适用于归纳设置，在归纳设置中，训练模型的KG被新常数扩展或与其他KG合并。图神经网络(GNNs)的使用是最近被提出的一种克服这些限制的方法。然而，现有的方法没有充分利用gnn的能力，仍然依赖于启发式和自适应评分函数。在本文中，我们提出了一种新的方法，将KG以一种透明的方式完全编码到GNN中，预测的三元组可以直接从GNN的最后一层读出，而不需要额外的组件或评分函数。实验表明，我们的模型在归纳式KG补全基准方面优于最先进的方法。

1.介绍

知识图(KGs)是图结构的知识库，其中节点和边表示感兴趣的实体及其关系[7]。kg通常用一种标准格式表示为三元组集，例如资源描述框架(RDF)[9]。许多著名的kg是高度不完整的，这限制了它们在实践中的作用;因此，KG补全(或链接预测)——扩展一个缺少三元组的KG的问题——已经得到了极大的关注。

大多数KG补全的方法，如TransE[3]、DistMult[28]和RotatE[20]，都基于图嵌入技术，首先将KG嵌入到向量空间中(例如，通过学习每个实体的特征向量)，然后通过对学习到的向量[14]应用预定义的评分函数生成预测的三元组。这些模型在换向设置中表现良好，其中缺失的三元组被假设只提到在不完整的KG中已经出现的常数。然而，这些模型的一个关键限制是它们不适用于归纳设置[5,24,21]，在归纳设置中，缺失的三元组可能涉及训练过程中看不到的常数;这种设置在实践中尤其相关，因为KG是不断发展的:它们可能被扩展为描述新对象的三元组，