PEARL: Path-Entity Aligned Relational Learning with Contextual Subgraphs for Inductive Knowledge Graph Completion

📄 arXiv: 2609.02216v1 📥 PDF

作者: Yunchi Yang, Longlong Li, Cunquan Qu

分类: cs.AI

发布日期: 2026-09-02

💡 一句话要点

提出PEARL框架以解决归纳知识图谱补全问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 知识图谱 归纳学习 路径检索 上下文建模 对比学习 深度学习 语义理解

📋 核心要点

  1. 现有的子图和路径方法在处理上下文时存在不足，未能有效利用结构信息来提升预测性能。
  2. PEARL框架通过构建查询特定的上下文子图，并结合大型语言模型引导的路径检索，增强了路径的语义相关性。
  3. 实验结果显示，PEARL在多个基准数据集上均超越了其他IKGC方法，特别是在Hits@10指标上表现最佳。

📝 摘要（中文）

归纳知识图谱补全（IKGC）旨在预测训练期间未见实体的缺失链接，要求模型学习可转移的关系和结构模式。现有的子图和路径方法通常独立编码关系路径，而未考虑其周围查询子图的上下文。本文提出PEARL框架，将路径建模为上下文条件的推理信号。PEARL构建查询特定的上下文子图，并使用大型语言模型引导的检索器提取语义相关路径。通过构建路径、上下文实体和全局子图表示的二分交互图，路径嵌入能够适应局部和全局结构证据。为抑制上下文引入的噪声，PEARL采用双视图对比目标，促进在随机上下文扰动下的表示一致性。实验结果表明，PEARL在WN18RR、FB15k-237和NELL-995上均取得了最佳的平均Hits@10。

🔬 方法详解

问题定义：本文解决归纳知识图谱补全（IKGC）问题，现有方法未能有效结合路径与其上下文，导致预测性能不足。

核心思路：PEARL框架通过构建上下文子图和使用语言模型引导的路径检索，将路径视为上下文条件的推理信号，从而提高了模型的预测能力。

技术框架：PEARL的整体架构包括查询特定的上下文子图构建、路径检索、二分交互图构建以及对比学习模块，确保路径嵌入能够适应不同的结构证据。

关键创新：PEARL的主要创新在于将路径与上下文实体的交互建模为二分图，并通过双视图对比目标抑制噪声，提升表示一致性。这一设计与传统方法的独立路径编码形成鲜明对比。

关键设计：PEARL采用了双视图对比损失函数，确保在随机上下文扰动下的表示一致性，同时在路径检索中引入了大型语言模型，以增强路径的语义相关性。整体网络结构设计灵活，能够适应不同的上下文环境。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

PEARL在WN18RR、FB15k-237和NELL-995数据集上均取得了最佳的平均Hits@10，显示出相较于其他IKGC方法的显著提升，验证了其在路径与上下文结合建模方面的有效性。

🎯 应用场景

该研究在知识图谱补全、信息检索和推荐系统等领域具有广泛的应用潜力。通过提升模型对未见实体的预测能力，PEARL能够为智能问答、语义搜索等应用提供更准确的支持，推动相关技术的发展与应用。未来，PEARL框架还可以扩展到更复杂的知识图谱任务中。

📄 摘要（原文）

Inductive knowledge graph completion (IKGC) aims to predict missing links involving entities unseen during training, requiring models to learn transferable relational and structural patterns. Existing subgraph- and path-based approaches often encode relational paths independently of their surrounding query subgraphs, although the predictive relevance of a path may vary across structural contexts. We propose PEARL, a Path-Entity Aligned Relational Learning framework that models paths as context-conditioned reasoning signals. PEARL constructs a query-specific contextual subgraph from the union of the query entities' neighborhoods and uses a large language model (LLM)-guided retriever to distill semantically relevant paths. It then builds a bipartite interaction graph over paths, contextual entities, and a global subgraph representation, allowing path embeddings to adapt to local and global structural evidence. To suppress noise introduced by the enlarged context, PEARL employs a dual-view contrastive objective that promotes representation consistency under stochastic contextual perturbations. Experiments on WN18RR, FB15k-237, and NELL-995 show that PEARL obtains the best average Hits@10 among the compared IKGC methods on all three benchmarks. Ablation studies, efficiency analyses, and case studies further validate the contributions of contextual subgraph modeling, semantic path retrieval, path-entity interaction, and contrastive regularization.