联合注意力与卷积网络的知识超图链接预测

摘要：

知识超图(KHG)是超图结构的知识图谱.知识超图链接预测旨在通过已知实体和关系预测缺失的关系.然而,现有最优的基于嵌入模型的知识超图链接预测方法HypE虽然实体嵌入时考虑了位置信息,但关系嵌入时忽略了不同实体的贡献有差异,且实体嵌入蕴含信息不够充足.关系嵌入考虑实体贡献度并补足实体嵌入的信息含量,可以较大地提升模型的预测能力.因此,提出了一种基于注意力与卷积网络的链接预测方法(LPACN),采用改进的注意力机制将实体的注意力信息融入到关系嵌入中;并且将同元组内相邻实体个数信息融入卷积网络,进一步补足了实体卷积向量的信息含量.针对LPACN的梯度消失问题,将改进的残差网络(ResidualNet)融入LPACN,并引入多层感知器(MLP)提升了模型的非线性学习能力,得到LPACN的改进算法LPACN+.真实数据集上的大量实验验证了LPACN的预测性能均优于Baseline方法.

关键词：知识超图、链接预测、嵌入模型、注意力机制

所属期刊栏目：17

分类号：TP311.13(计算技术、计算机技术)

在线出版日期：2023-11-16（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：2734-2742