arXiv cs.AI· Naixing Xu·· 3 天前AI 评分20
QORH：面向归纳式知识图谱链接预测的查询特定有序规则超图
QORH: Learning Query-Specific Ordered Rule Hypergraphs for Inductive Knowledge Graph Link Prediction
AI 导读
QORH 将规则头和有序规则体作为以查询关系为条件的超边联合编码，显式建模多个关系间的联合依赖，并用规则置信度、覆盖率等统计证据进行可学习规则选择。模型通过角色感知超图消息传递增强关系表示，共享参数不依赖具体实体或关系标识，可对未见实体和关系做归纳预测。在实体归纳与完全归纳基准上，QORH 显著优于所评估的 SOTA 基线。
正文 · AI 翻译
摘要：涉及未见实体和关系的知识图谱链接预测需要从观测到的图结构中学习可迁移的推理模式。现有基于关系图的方法主要捕捉成对依赖关系，限制了其保留完整路径规则的组合语义、关系顺序和角色信息的能力。为解决这一局限，我们提出 QORH（Query-specific Ordered Rule Hypergraph，查询特定的有序规则超图），它以查询关系为条件，将规则头和有序规则体联合编码为超边，显式建模多个关系之间的联合依赖关系。QORH 利用规则置信度和覆盖率等统计证据进行可学习的规则选择，并通过角色感知的超图消息传递增强关系表示，以指导实体级推理。该模型的共享参数独立于具体的实体或关系标识符，从而能够对未见实体和关系进行归纳预测。在实体归纳和完全归纳基准上的大量实验表明，QORH 显著优于我们评估中包含的最先进基线，验证了规则超图建模在归纳链接预测中的有效性。
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.18198 [cs.AI] |
| （或 arXiv:2610.18198v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.18198 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Naixing Xu [查看电子邮件]
[v1]
2026年10月13日星期二 11:35:35 UTC（1,822 KB）
来源：arXiv cs.AI · arxiv.org