注意力增强的语义融合知识图谱表示学习框架

来源：计算机研究与发展杂志2025年第11期北京时间：

作者：郭文斌,王鑫,李钊,陈子睿,赵军,冯锋,杜方,

摘要：当前知识图谱通常存在不完整性的挑战，可以通过链接预测任务对缺失信息进行补全来缓解这一问题.然而，大部分知识图谱补全方法过度关注对嵌入特征的提取，没有充分考虑预测节点邻域信息、全局特征信息和方向特征信息中所包含的复杂语义，难以准确预测出缺失的信息.提出一种通用的表示学习语义增强框架ASFR，利用注意力机制提取知识图谱局部关联信息、知识图谱结构特征，结合位置信息对现有的知识图谱表示学习模型进行增强.将3种知识图谱附加信息嵌入到知识图谱的实体向量中，提高知识图谱表示向量的质量.在5种不同类别的经典方法中进行对比实验，结果显示ASFR框架在3个公开数据集上性能的提升幅度为6.89%，能够有效增强模型的预测能力.

关键词：知识图谱, 表示学习, 链接预测, 知识图谱嵌入, 知识图谱补全,