计算机科学与探索

作者：林穗, 卢超海, 姜文超, 林晓珊, 周蔚林

单位：1. 广东工业大学 计算机学院，广州 5100062. 数安时代科技股份有限公司，广东 佛山 510100

关键词：知识图谱,知识图谱补全,表示学习,小样本关系,注意力机制

在面对实体对关系复杂或目标邻域稀疏等情况时，现有的小样本知识图谱补全模型普遍存在关系表示学习能力不足以及忽略实体对相对位置和交互作用的问题。基于此，提出一种基于选择注意力机制和交互感知的小样本知识图谱补全模型（SAIA）。首先，通过在聚合邻域信息过程中引入选择注意机制，帮助邻域编码器聚焦更重要的邻居以减少噪声邻居的不良影响；其次，在关系表示学习阶段，利用背景知识图谱中与任务关系相关的信息学习更加准确的关系表示；最后，为了挖掘知识图谱实体之间的交互信息和位置信息，设计了一个实体对公共交互率指标（CIR）来衡量实体对三阶路径内的关联程度，然后结合实体语义信息共同预测新的事实。实验结果表明该方法优于目前最先进的小样本知识图谱补全模型。与基准模型最优的结果相比，SAIA在NELL-one和Wiki-one数据集上的5-shot链接预测中，平均倒数排名（MRR）、Hits@10、Hits@5以及Hits@1等性能评价指标分别提高了0.038、0.011、0.028和0.052以及0.034、0.037、0.029和0.027，验证了所提模型的有效性和可行性。

来源：2024年第3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2024年第3期