科研之友
微信
新浪微博
Facebook
分享链接
摘要
知识超图（Knowledge Hypergraph，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(Link Prediction based on Attention and Convolution Network)，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(Multilayer Perceptron， 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。
- 单位
