结合层次化关系注意力与联合嵌入的知识表示方法

来源：计算机技术与发展杂志2025年第06期北京时间：

作者：毛典辉;李瑞璇*;王可浩;赵志华

单位：1. 北京工商大学 计算机与人工智能学院,北京 100048;2. 中国政法大学 法学院,北京 102249

摘要：知识表示学习旨在将知识图谱中的实体和关系映射到低维连续向量空间,使得计算机能够处理结构化知识。 然而,现有基于图卷积网络的知识表示学习模型通常采用固定权重的聚合策略,未能充分考虑不同关系类型对中心实体的异质性影响。 为此,提出了一种结合层次化关系注意力与联合嵌入的知识表示学习模型(HRE-JEM)。 该模型通过自注意机制动态更新中心实体的向量表示,并捕获不同关系类型对中心实体的异质性影响。 编码器将实体和关系进行联合嵌入学习,并利用 ConvE 作为解码器分析三元组的空间结构特征。 在 WN18RR 和 FB15k-237 数据集上的对比实验和消融实验表明,该模型在多个指标上均优于基准模型,验证了该模型在知识表示学习领域的有效性与实用性。 此外,还讨论了注意力头个数变化对模型性能的影响。

关键词：知识表示学习;层次化关系注意力;联合嵌入;图卷积网络;链接预测