新知识图谱嵌入方法PogRE显式应对模式过度泛化，链接预测超越现有模型
韩国学者提出PogRE，用稠密线性变换与复合操作表示关系，理论保证在观测到d+1个线性无关实体后模式可普遍泛化，实验在三个标准基准上超越现有最优KGE模型。
arXiv论文《Pattern Over-Generalization of Knowledge Graph Embedding》提出一种名为PogRE（Pattern Over-Generalization Robust Embedding）的新方法，用稠密线性变换和复合操作表示知识图谱中的关系，以显式应对模式过度泛化问题。论文称该方法在三个标准基准数据集上的链接预测表现优于现有最优KGE模型。论文第一作者为Junsik Kim，通讯作者为Kangil Kim，已被EMNLP 2026接收，全文 22 页，含 9 张图。
问题与方法
论文指出，KGE模型通过将实体和关系投影到低维向量空间来预测知识图谱中缺失的链接，其有效性依赖于能否捕捉图谱中的推理模式，如对称/反对称、逆关系和组合关系。但现有模型存在模式过度泛化的固有缺陷：模型从单个模式实例中学到某个推理模式后，会把该模式泛化到所有相关实例。
PogRE采用稠密线性变换和复合操作来表示关系。理论分析表明，稠密线性变换使模式随观测到的三元组增多而逐步趋于普遍化；当观测到d+1个线性无关的实体后（d为实体维度），线性变换能够保证模式在所有相关实例上实现普遍泛化。
实验结果
实验在三个标准基准数据集上进行，结果显示PogRE在链接预测任务上优于现有的最先进KGE模型。此外，经验结果也表明PogRE能有效缓解过度泛化的负面影响。论文仅公开了摘要信息，未提供具体的数据集名称、性能数值和实现代码。