计算机科学与探索

作者：冯勇, 栾超杰, 王嵘冰, 徐红艳, 张永刚

单位：1. 辽宁大学 信息学院，沈阳 1100362. 辽宁大学 信息化中心，沈阳 1100363. 辽宁大学 网络与信息安全学院，沈阳 1100364. 吉林大学 符号计算与知识工程教育部重点实验室，长春 130012

关键词：知识图谱,知识图谱补全,链接预测,自注意力机制,卷积神经网络

基金：辽宁省教育厅科学研究基金面上项目（LJKMZ20020447）；辽宁省属本科高校基本科研业务费专项资金（LJKLJ202414）；吉林大学符号计算与知识工程教育部重点实验室项目（93K172018K01）。

知识图谱的不完整性严重影响了下游任务的应用与发展，因此，有必要对其进行改进以补充缺失值，即知识图谱补全。现有的知识图谱补全模型大多重组实体关系嵌入表示以捕获局部交互。但这种方法破坏了三元组的原有结构，只能利用单一的局部交互而忽略了实体关系间全局交互的影响。为此，提出一种聚合全局交互与局部交互的知识图谱补全方法AGILI。该方法首先引入自注意力机制获取头实体和关系间的信息关联程度，生成融入全局交互信息的嵌入表示，再采用卷积神经网络从新嵌入表示中提取局部交互信息，设计基于关系权重的可学习交互聚合器，在将全局交互与局部交互进行特征融合时，可以根据关系类别自适应地调整两种交互的重要程度，提高方法在多关系知识图谱上的表达能力。在公开数据集FB15k-237、WN18RR和Kinship上通过链接预测任务进行实验验证，实验结果表明，与最新的基于卷积神经网络的模型ConvD相比，所提出的方法在FB15k-237数据集上Hits@1、Hits@3指标分别提高了6.9%、5.3%，证明了所提出方法的优越性。

来源：2025年第7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7期