1 导引
我们在博客《联邦学习：联邦场景下的多源知识图谱嵌入》中介绍了联邦场景下的知识图谱嵌入，现在让我们回顾一下其中关于数据部分的细节。在联邦场景下，\(C\)个知识图谱\(\left\{\mathcal{G}_c\right\}_{c=1}^C=\left\{\left\{\mathcal{E}_c, \mathcal{R}_c, \mathcal{T}_c\right\}\right\}_{c=1}^C\)位于不同的客户端上。知识图谱拥的实体集合\(\mathcal{E}_c\)之间可能会存在重叠，而其关系集合\(\mathcal{R}_c\)和元组集合\(\mathcal{T}_c\)之间则不会重叠[1]。我们联系一下现实场景看这是合理的，比如在不同客户端对应不同银行的情况下，由于不同银行都有着自己的业务流程，所以关系集合不重叠。
接下来我们来看具体在实验环节怎么去划分联邦异构知识图谱数据。
2 联邦异构知识图谱划分
我们在博客《分布式机器学习：PageRank算法的并行化实现（PySpark）》中所说，分布式图数据的划分可分为点划分和边划分两种，边划分是对图中某些边进行分裂，这使得不同的worker的点不同，但可能存有相同的边拷贝。而点划分是对图中某些点进行分裂，使得不同的worker的边不同，可能存有相同的点拷贝。不过知识图谱的情况要简化得多，因为知识图谱的图数据本身就是按一条条的边(元组)\((h,r,t)\)来存储的，直接对元组进行划分其实就等价于了点划分的方式。
由于我们这里的本地知识图谱\(\{\mathcal{E}_c, \mathcal{R}_c, \mathcal{T}_c\}\)中每个知识图谱的关系\(\mathcal{R}_c\)（即边的种类）是不同的，我们在划分元组之前我们需要先对关系进行划分，然后针对关系划分的结果来划分元组。 待元组划分到本地后，还需要将原有的实体和关系的索引映射到本地索引。最后，再在本地进行训练/验证/测试集的拆分。整体数据划分流程图如下：
2.1 划分关系
我们选择随机地将关系\(\mathcal{R}\)不重叠地划分到不同的client上：
random.shuffle(triples)# triples为元祖集合，大小为 (n_triples, 3)# 每各元组按(h,t,r)顺序存储triples = np.concatenate(triples) # 先根据边的类型edge_type（即关系类型)将不同的edge_type映射到不同的client_idedge_types = list(set(triples[:, 2]))random.shuffle(edge_types)edge_type_to_cid = {}n_edge_types_per_client = len(edge_types)//n_clientsfor id, edge_type in enumerate(edge_types): c_id = id // n_edge_types_per_client if c_id < n_clients - 1: edge_type_to_cid[edge_type] = c_id else: edge_type_to_cid[edge_type] = n_clients - 12.2 确定元组划分
在关系的划分确定之后，我们可以根据每个元组\((h,r,t)\)中\(r\)的划分情况来决定该元组的划分情况。代码如下：
# 然后根据edge_type到client_id的映射情况，来将元组triples划分到不同的clientc_id_triples = [[] for i in range(n_clients)] for triple in triples: edge_type = triple[2] c_id = edge_type_to_cid[edge_type] c_id_triples[c_id].append(triple.reshape(1, -1))2.3 索引映射
划分好元组之后，子图就确定了，接下来我们还需要将子图的实体和关系的索引进行重新编号，如下图所示：
对于具体的局部索引如何安排，我们采用随机选择的方式。代码如下：
# mapping global indices to local indicesc_id_triples_ori = [[] for i in range(n_clients)] for c_id in range(n_clients): triples = np.concatenate(c_id_triples[c_id]) c_id_triples_ori[c_id] = triples edge_index = triples[:, :2] edge_type = triples[:, 2] # map entity indices to local entity indices index_mapping = {} entities = list(set(edge_index.flatten())) random.shuffle(entities) for index, entity in enumerate(entities): index_mapping[entity] = index f = lambda x: index_mapping[x] f = np.vectorize(f) client_entity_local_index = f(edge_index) # map edge indices to local entity indices index_mapping = {} edges = copy.deepcopy(list(set((edge_type)))) random.shuffle(edges) for index, edge in enumerate(edges): index_mapping[edge] = index f = lambda x: index_mapping[x] f = np.vectorize(f) client_edge_local_index = f(edge_type) c_id_triples[c_id] = np.concatenate([client_entity_local_index, \ client_edge_local_index.reshape(-1, 1)], axis=1)2.4 训练/验证/测试集拆分
最后，还需要在本地划分训练集、验证集和测试集。如下面的代码展示了按照0.8/0.1/0.1对本地的元组进行拆分。数据集划分完毕之后，则训练/验证/测试集对应的实体(edge_index)和关系类型(edge_type)就都确立了：
# split train, valid, test datasetfor c_id in range(n_clients): n_triples = c_id_triples[c_id].shape[0] n_train = int(n_triples * 0.8) n_val = int((n_triples - n_train) * 0.5) n_test = n_triples - n_train - n_val mod_to_slice = {"train": slice(0, n_train), \ "valid": slice(n_train, n_train+n_val), "test": slice(-n_test, n_triples)} for mode in ["train", "valid", "test"]: client_data[c_id][mode]["edge_index_ori"] = c_id_triples_ori[c_id][mod_to_slice[mode], : 2].T client_data[c_id][mode]["edge_index"] = c_id_triples[c_id][mod_to_slice[mode], : 2].T client_data[c_id][mode]["edge_type_ori"] = c_id_triples_ori[c_id][mod_to_slice[mode], 2] client_data[c_id][mode]["edge_type"] = c_id_triples[c_id][mod_to_slice[mode], 2]3 关于异构性的分析和解决
根据我们前面的定义，在联邦场景下不同客户端的知识图谱满足实体重叠，因此在进行联邦训练的过程中最简单的方式就是对重叠实体的embeddings进行平均。但是我们知道，知识图谱可能本身就具有一定的异构性，因为其中的某个实体可能会拥有着不同的关系路径[2]，如下图所示：
在联邦场景下这种异构性则更加明显，因为如我们前面所说，同一个实体在不同的client的关系路径肯定不同，如果只采用本地嵌入的方法，那么不同的client会映射到不同的嵌入空间。此时，如果对来自不同嵌入空间embeddings直接进行聚合，就会丢失掉许多有用的语义信息。
如上图所示[3]，知识图谱School中的元组表示Bob和Jack的学业信息，Amazon.com知识图谱中则表示他们的购物信息。对于Bob和Jack实体而言，在不同的知识图谱中他们拥有不同的关系，导致了他们的语义信息在不同知识图谱中的差异。
如何对联邦场景下知识图谱的异构性进行解决，成为一个必须要考虑的问题，目前文献[3]已采用对比学习对其进行了一定程度的解决，大家感兴趣的可以去阅读一下。
参考
[1] Chen M, Zhang W, Yuan Z, et al. Fede: Embedding knowledge graphs in federated setting[C]//The 10th International Joint Conference on Knowledge Graphs. 2021: 80-88.
[2] Li Z, Liu H, Zhang Z, et al. Learning knowledge graph embedding with heterogeneous relation attention networks[J]. IEEE Transactions on Neural Networks and Learning Systems, 2021.
[3] Chen M, Zhang W, Yuan Z, et al. Federated knowledge graph completion via embedding-contrastive learning[J]. Knowledge-Based Systems, 2022, 252: 109459.
数学是符号的艺术，音乐是上界的语言。