Graphlet作为知识图谱基础模型结构词汇的构件

基础模型擅长语言（句子变成标记）和视觉（图像变成像素），因为两者都简化为共享固定网格上的离散符号。知识图共享离散性，但不共享几何形状。它们的实体和关系是离散的符号，但它们的排列是相关的，缺乏共同的、固定的网格。知识图（KG）共享离散性，但不共享几何形状。它们形成不规则的非欧几里得拓扑，其局部邻域因图而异。因此，知识图基础模型（KGFM）依赖于识别结构不变性来生成可转移的表示。如果没有通用的词元集，KGFM 在不可见的 KG 之间传输表示的能力就会受到限制。我们通过将图元（小型连通图）视为在异构知识图谱中重复出现的结构标记来缩小这一差距。在本文中，我们介绍了一种基于 graphlet 词汇表的模型无关框架，该框架通过模式匹配挖掘关系之间的知识图谱。特别是，我们考虑了封闭和开放的 2 路径和 3 路径以及星形图，以获得稳健的不变性。该框架在来自广泛领域的 51 个 KG 上进行了评估，用于零样本归纳和传导链路预测。实验表明，向词汇表中添加简单的图基会产生优于先前 KGFM 的模型。