联合图注意力和卷积神经网络的链接预测方法

摘要

知识图谱具有数据稀疏和知识不完整的问题,这使得链接预测成为知识图谱补全的重要方法。多数模型进行知识嵌入时对不同距离的邻居特征赋予相同的权重,难以从距离角度区分其对中心实体的重要程度。针对这一问题,提出了一种新的联合图注意力和卷积神经网络的链接预测模型（Link Prediction Model by Jointly Graph Attention and Convolutional Neural Networks）。模型以带有影响力因子的图注意力网络作为编码器,有重点地聚合不同距离的邻居特征,丰富实体向量的语义信息;以多尺度卷积神经网络作为解码器,从不同层次捕捉实体和关系之间的全局特征,来提高嵌入向量的表达能力。在经典数据集WN18RR和FB15k-237上分别进行链接预测实验,结果表明该模型在WN18RR数据集上有三个评价指标达到最优,在FB15k-237数据集上五个评价指标都达到最优,其中MR指标在两个数据集上分别较次优模型提升了40%和30%。