计算机科学与探索

作者：宋宝燕, 刘杭生, 单晓欢, 李素, 陈泽

单位：辽宁大学 信息学部，沈阳 110036

关键词：知识图谱,多跳推理,时空注意力,Transformer,路径可解释性

基金：辽宁省公共舆情与网络安全信息系统重点实验室项目（d252453002）；辽宁省属本科高校基本科研业务费专项资金（LNUYJS015）；辽宁省应用基础研究计划 （2022JH2/101300250）；数字辽宁智造强省（数字经济方向）项目（13031307053000568）；国家重点研发计划（2021YFFO901004）。

知识图谱多跳推理旨在通过挖掘实体间的复杂路径关系补全缺失三元组。现有方法在路径特征提取和实体邻域粒度信息融合方面存在不足，导致推理结果缺乏可解释性和准确性。针对上述问题，提出一种融合关系路径与实体邻域信息的知识图谱多跳推理方法MGPC。设计基于语义相关性的候选路径筛选机制，通过计算中心实体与候选答案实体的语义相关性评分，提取与查询高度相关的候选路径集，并将其嵌入低维空间以增强可解释性。基于时空注意力机制，挖掘候选关系路径中心实体局部邻域粒度信息，并结合长短期记忆网络捕获关系路径的局部多粒度邻域特征与全局依赖关系，生成融合全局-局部语义的路径嵌入。引入Transformer编码器建模全局路径与中心实体的关联性，通过去噪层优化全局路径嵌入表示，选择高置信度的推理路径，进而提高推理结果的可解释性和有效性。在3个基准数据集上将所提出的方法与10个主流基线方法进行比较，实验结果表明，MGPC在多跳推理任务中优于主流基线模型，在FB15k-237、NELL-995数据集上MRR、Hits@1方面分别平均提升了3.1%、4.0%，验证了方法的有效性。

来源：2025年第11期

《计算机科学与探索》期刊编辑部

查看计算机科学与探索杂志2025年第11期