Pesquisadores propõem o DMKGC, um framework que aplica modelos de difusão condicional para transferir conhecimento entre múltiplos domínios para a conclusão de grafos de conhecimento. O método trata cada grafo de conhecimento como uma visão parcial da informação de entidades, gerando embeddings gerais do domínio condicionados aos grafos de suporte enquanto preserva detalhes específicos do domínio.
- Inicializa embeddings de entidades independentes do domínio como priors e os codifica dentro de KGs individuais.
- Funde entidades equivalentes dos KGs de suporte para guiar a geração de difusão condicional.
- Usa embeddings anteriores como objetivos proxy para garantir uma geração não enviesada entre domínios.
- Alcança uma melhoria média de 4,3% no MRR na previsão de entidades finais em relação aos métodos mais avançados em 14 KGs em 3 benchmarks.
A abordagem aborda o risco de suprimir informações contextuais específicas do domínio inerentes a métodos com restrições de consistência, demonstrando ganhos sustentados especialmente em configurações de dados com poucos recursos.