HEHRGNN: Einheitliches Modell für Wissensgraphen mit Hyperkanten

Wissensgraphen (KG) haben sich als strukturierte, maschinenlesbare Darstellung von realen Fakten etabliert und ermöglichen fortgeschrittene Analysen mit KI-Systemen. Graph Neural Networks (GNN) sind dabei ein bewährtes Verfahren zur Einbettung von KGs, das Aufgaben wie Link Prediction, Knotenkategorisierung und Graphklassifikation unterstützt.

Der aktuelle Stand der Forschung konzentriert sich überwiegend auf einfache Graphen mit binären Relationen. In echter Praxis enthalten Wissensdatenbanken jedoch häufig komplexe n‑Ary-Fakten, die nicht durch einfache Kanten abgebildet werden können. Diese Fakten lassen sich in zwei Hauptkategorien einteilen: (i) solche, die Hyperkanten erfordern, und (ii) solche, die hyper‑relationale Kanten benötigen.

Um diese beiden Typen von n‑Ary-Fakten gemeinsam zu verarbeiten, wurde das Modell HEHRGNN (HyperEdge Hyper‑Relational edge GNN) entwickelt. Es bietet einen einheitlichen Ansatz für die Einbettung von Wissensgraphen, die sowohl Hyperkanten als auch hyper‑relationale Kanten enthalten.

HEHRGNN besteht aus zwei Kernkomponenten: Erstens einem HEHR‑Einheitlichen Faktenformat, das die unterschiedlichen n‑Ary-Strukturen konsolidiert, und zweitens einem HEHRGNN‑Encoder, einem GNN‑basierten Encoder mit einem neuartigen Nachrichten­propagationsmodell. Dieses Modell kann komplexe Graphstrukturen erfassen, die sowohl Hyperkanten als auch hyper‑relationale Kanten enthalten.

Experimentelle Ergebnisse zeigen, dass HEHRGNN bei Link‑Prediction‑Aufgaben über reale Datensätze hinweg sehr effektiv ist. Das Modell demonstriert eine inductive Vorhersagefähigkeit und kann n‑Ary-Fakten unterschiedlicher Typen zuverlässig verarbeiten.

HEHRGNN stellt damit einen bedeutenden Fortschritt dar, indem es die bisher getrennt behandelten n‑Ary-Fakten in einem einzigen, leistungsfähigen Embedding‑Framework zusammenführt und damit die Analyse und Nutzung von Wissensgraphen weiter verbessert.