Neues Verfahren CPSR verbessert induktive Wissensgraph‑Vervollständigung

Wissensgraph‑Vervollständigung (KGC) versucht, fehlende Fakten in unvollständigen Graphen zu rekonstruieren. Traditionelle Ansätze nutzen vorhandene Strukturen, stoßen jedoch bei neu auftretenden Entitäten an ihre Grenzen. Induktive KGC‑Methoden sind dafür ausgelegt, solche neuen Knoten und Relationen zu berücksichtigen und damit flexibler zu agieren.

Allerdings leiden bestehende induktive Verfahren häufig unter Rauschen in der Graphstruktur und können lange Abhängigkeiten entlang von Pfaden nicht zuverlässig erfassen. Um diese Schwächen zu überwinden, stellt die Arbeit ein neues Framework namens CPSR (Cumulative Path‑Level Semantic Reasoning) vor. CPSR kombiniert strukturelle und semantische Informationen, um die Genauigkeit der Vervollständigung zu steigern.

Ein zentrales Merkmal ist ein abfrageabhängiges Maskierungsmodul, das störende Strukturelemente selektiv ausblendet, während relevante Informationen erhalten bleiben. Ergänzend wird ein globales semantisches Scoring‑Modul eingesetzt, das sowohl die individuellen Beiträge als auch die kollektive Wirkung von Knoten entlang eines Pfades bewertet. Diese beiden Komponenten ermöglichen eine robustere und tiefere Analyse von Beweiswegen.

Experimentelle Ergebnisse zeigen, dass CPSR die bisher beste Leistung bei induktiver KGC erzielt. Das Verfahren demonstriert damit, dass die Kombination aus gezielter Maskierung und globaler semantischer Bewertung einen bedeutenden Fortschritt in der automatischen Wissensgraph‑Vervollständigung darstellt.