基于邻域聚合与CNN的知识图谱实体类型补全

摘要：

现有知识图谱实体类型补全模型通过对实体和实体类型进行建模,以解决知识图谱中实体缺失的实体类型,但未有效地利用实体之间的关系,导致模型的实体类型补全性能不佳.提出一种基于邻域聚合与卷积神经网络的知识图谱实体类型补全模型NACE2T,其采用编码器-解码器的结构.基于注意力机制设计利用关系信息的编码器,其使用注意力机制为实体邻域中的每个关系-实体对分配不同的权重,以聚合实体邻域中实体和关系的信息,从而利用实体之间的关系.基于卷积神经网络设计一个新的知识图谱实体类型补全模型CE2T,将其作为解码器,对编码器输出的实体嵌入和实体类型嵌入进行建模与实体类型补全.实验结果表明,相比ConnectE模型,NACE2T模型在数据集FB15KET上的HITS@1和HITS@3提高约1.5％,在数据集YAGO43KET上的MRR和HITS@3提高约6％,HITS@1提高约9％,能够有效地推断知识图谱中实体缺失的实体类型.

关键词：知识图谱、实体类型、邻域聚合、注意力机制、关系-实体对、卷积神经网络

所属期刊栏目：49

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金61976032

在线出版日期：2023-03-17（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：134-141