计算机科学与探索

作者：张宇晨, 朱晓旭, 李培峰

单位：苏州大学 计算机科学与技术学院，江苏 苏州 215006

关键词：知识图谱补全,成对关系向量,卷积神经网络,链接预测

基金：国家自然科学基金（62276177，62376181）。

知识图谱补全旨在依据知识图谱中已知三元组推理出缺失的三元组，以解决知识图谱的不完整性问题。现有方法大多将实体和关系直接融合提取特征，忽略了三元组中之间的共性特征和具体属性。为此，提出了一种基于成对关系向量的卷积神经网络模型ConvPair，通过成对关系建模、特征融合优化和关系感知卷积操作，提升知识图谱补全的链接预测性能。ConvPair模型的核心思想是将关系r拆分为头关系rh和尾关系rt，rh与头实体h融合后，通过共性特征编码模块得到共性特征实体f。接着，f与rt进行融合，通过具体属性提取模块来预测尾实体t。在实体与关系的融合方面，对h和rh的向量表示进行棋盘重塑操作，以充分融合特征；同时，直接拼接f和rt的向量表示，保留在提取具体属性时的三元组翻译特性。最后，设计关系感知卷积核，有效处理了复杂关系并提取关系的特定特征。实验结果表明，ConvPair在FB15k-237、WN18RR、YAGO3-10等数据集上优于现有先进模型，展现了卓越的性能和泛化能力。

来源：2025年第10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10期