k阶采样和图注意力网络的知识图谱表示模型

来源：计算机工程与应用杂志2024年第2期北京时间：

作者：刘文杰, 姚俊飞, 陈亮

单位：1.南京信息工程大学 计算机学院，南京 210044；2.南京信息工程大学 数字取证教育部工程研究中心，南京 210044

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。[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。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。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。

关键词：知识图谱表示,[k]阶采样算法,图注意力网络,剪枝子图,链接预测