科研之友
微信
新浪微博
Facebook
分享链接
摘要
知识图谱表示（KGE）旨在将知识图谱中的实体和关系映射到低维度向量空间而获得其向量表示。现有的KGE模型只考虑一阶近邻，这影响了知识图谱中推理和预测任务的准确性。为了解决这一问题，提出了一种基于k阶采样算法和图注意力网络的KGE模型。首先，k阶采样算法通过聚集剪枝子图中的k阶邻域来获取中心实体的邻居特征。然后，引入图注意力网络来学习中心实体邻居的注意力值，通过邻居特征加权和得到新的实体向量表示。最后，利用ConvKB作为解码器来分析三元组的全局表示特征。在WN18RR、FB15k-237、NELL-995、Kinship数据集上的评价实验表明，该模型在链接预测任务上的性能明显优于最新的模型。此外，还讨论了阶数k和采样系数b的改变对模型命中率的影响。
- 单位
