文章目录
本文涉及的源码可从知识图谱推理该文章下方附件获取
概述
本研究深入探讨了基于图神经网络（GNN）的知识图谱推理，特别聚焦于传播路径的优化与应用。在智能问答、推荐系统等前沿应用中，知识图谱推理发挥着不可或缺的作用。然而，传统GNN方法在处理大规模知识图谱时，往往面临效率和准确度的双重挑战。为了克服这些局限，本研究提出了一种创新的自适应传播策略AdaProp，并通过与经典的Red-GNN方法进行对比实验，验证了其优越性。
论文名称：AdaProp: Learning Adaptive Propagation for Graph Neural Network based Knowledge Graph Reasoning
作者：Yongqi Zhang, Zhanke Zhou, Quanming Yao, Xiaowen Chu, and Bo Han
出处：Proceedings of the 29th ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD '23), August 6--10, 2023, Long Beach, CA, USA
在本论文的基础上添加tensorboard可视化结果
原代码链：https://github.com/LARS-research/AdaProp
方法介绍
通过有效的采样技术来动态调整传播路径，既考虑到查询实体和查询关系的依赖性，又避免在传播过程中涉及过多无关实体，从而提高推理效率并减少计算成本。这将涉及到开发新的采样策略，以确保在扩展传播路径时能够保持对目标答案实体的精确预测。为此，提出了一种名为AdaProp的基于GNN的方法，该算法可以根据给定的查询动态调整传播路径。
在知识图谱推理领域，传统的方法如全传播、渐进式传播和受限传播都各自有优势和局限。提出的AdaProp方法在效率和性能上对这些传统方法进行了显著的优化。
核心逻辑
实验条件
使用Python环境和PyTorch框架，在单个NVIDIA RTX 3070 GPU上进行，该GPU具有8GB的内存。实验的主要目的是验证AdaProp算法在传导（transductive）和归纳（inductive）设置下的有效性，并分析其各个组成部分在模型性能中的作用。
数据集
family数据集，存放在./transductive/data文件夹下
实验步骤
step1:安装环境依赖
python
torch == 1.12.1
torch_scatter == 2.0.9
numpy == 1.21.6
scipy == 1.10.1step2:进入项目目录，进行训练
step3:输入tensorboard指令，可视化结果
实验结果
核心代码
python
# start
check all output paths
checkPath('./results/')
checkPath(f'./results/{dataset}/')
checkPath(f'{loader.task_dir}/saveModel/')
model = BaseModel(opts, loader)
opts.perf_file = f'results/{dataset}/{model.modelName}_perf.txt'
print(f'==> perf_file: {opts.perf_file}')
config_str = '%.4f, %.4f, %.6f, %d, %d, %d, %d, %.4f,%s\n' % (
opts.lr, opts.decay_rate, opts.lamb, opts.hidden_dim, opts.attn_dim, opts.n_layer, opts.n_batch, opts.dropout,
opts.act)
print(config_str)
with open(opts.perf_file, 'a+') as f:
f.write(config_str)
if args.weight != None:
model.loadModel(args.weight)
model._update()
model.model.updateTopkNums(opts.n_node_topk)
if opts.train:
writer = SummaryWriter(log_dir=f'./tensorboard_logs/{dataset}')
# training mode
best_v_mrr = 0
for epoch in range(opts.epoch):
epoch_loss = model.train_batch()
if epoch_loss is not None:
writer.add_scalar('Training Loss', epoch_loss, epoch)
else:
print("Warning: Skipping logging of Training Loss due to NoneType.")
model.train_batch()
# eval on val/test set
if (epoch + 1) % args.eval_interval == 0:
result_dict, out_str = model.evaluate(eval_val=True, eval_test=True)
v_mrr, t_mrr = result_dict['v_mrr'], result_dict['t_mrr']
writer.add_scalar('Validation MRR', result_dict['v_mrr'], epoch)
writer.add_scalar('Validation Hits@1', result_dict['v_h1'], epoch)
writer.add_scalar('Validation Hits@10', result_dict['v_h10'], epoch)
writer.add_scalar('Test MRR', result_dict['t_mrr'], epoch)
writer.add_scalar('Test Hits@1', result_dict['t_h1'], epoch)
writer.add_scalar('Test Hits@10', result_dict['t_h10'], epoch)
print(out_str)
with open(opts.perf_file, 'a+') as f:
f.write(out_str)
if v_mrr > best_v_mrr:
best_v_mrr = v_mrr
best_str = out_str
print(str(epoch) + '\t' + best_str)
BestMetricStr = f'ValMRR_{str(v_mrr)[:5]}_TestMRR_{str(t_mrr)[:5]}'
model.saveModelToFiles(BestMetricStr, deleteLastFile=False)
# show the final result
print(best_str)
writer.close()
model.writer.close()小结
AdaProp的成功并非偶然。其自适应传播策略使得模型能够根据不同的情况调整信息传播策略，从而更加精确地捕获节点之间的关系。这种灵活性是传统GNN所缺乏的，也是AdaProp能够在多个数据集上取得显著提升的关键原因。此外，AdaProp的引入也为知识图谱推理领域带来了新的研究方向和思路，为未来的研究提供了有益的参考。
本研究通过提出AdaProp自适应传播策略，并在多个数据集上进行实验验证，充分证明了其在知识图谱推理中的优越性。AdaProp不仅提高了推理的准确性和效率，还为该领域的未来发展提供了新的方向。未来，我们将继续探索AdaProp的潜力，优化其算法结构，以期在更多领域取得更加卓越的表现。同时，我们也期待更多的研究者能够关注这一领域，共同推动知识图谱推理技术的发展。
