基于关系学习网络的小样本知识图谱补全模型

摘要：

现实世界中的知识图谱由大量事实三元组构成,其中通常包含许多出现次数很少的小样本关系,面向这些小样本关系补全知识图谱中缺失的三元组是一项具有挑战性的工作.针对现有小样本知识图谱补全模型中普遍存在的小样本关系表示无法有效提取问题,提出一种基于关系学习网络的小样本知识图谱补全模型.考虑关系的相关性,对参考和查询三元组进行邻域聚合编码,获得增强的实体嵌入表示.基于融合Transformer编码器与长短期记忆神经网络的结构,将三元组的关系表示进行编码输出.利用注意力机制得出查询关系与动态参考关系的语义相似性,并结合平移模型的假设对查询三元组成立的可能性进行综合打分.实验结果表明,该模型通过融合路径发现与上下文语义有效提取了小样本关系的细粒度语义,在小样本链接预测任务中,相较于基线模型中评价指标的最优值平均提升了9.5个百分点.

关键词：小样本关系、邻域聚合、关系表示、知识图谱补全、链接预测

所属期刊栏目：49

分类号：TP391(计算技术、计算机技术)

资助基金：四川省科技计划项目2021YFG0040

在线出版日期：2023-09-25（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：52-59