计算机科学与探索

作者：陈加兴, 胡志伟, 李茹, 韩孝奇, 卢江, 闫智超

单位：1. 山西大学 计算机与信息技术学院，太原 0300062. 山西大学 计算智能与中文信息处理教育部重点实验室，太原 030006

关键词：知识图谱,链接预测,BERT,卷积神经网络（CNN）

知识图谱普遍存在知识不完整的问题，这使得链接预测成为知识图谱的重要研究内容。现有模型仅关注三元组的嵌入表示，一方面，在模型的输入仅对实体和关系的嵌入表示进行随机初始化，并未融入实体及关系的描述信息，会缺失语义信息；另一方面，在解码时忽略三元组自身结构特征对链接预测结果的影响。针对上述问题，提出一种融合描述信息与结构特征的知识图谱链接预测模型BFGAT。BFGAT模型利用BERT预训练模型编码实体和关系的描述信息，并将描述信息融入到实体与关系的嵌入表示中，解决缺失语义信息的问题；在编码过程使用图注意力机制聚合邻接节点的信息，解决目标节点获得更为丰富信息的问题；在解码过程把三元组的嵌入表示拼接成矩阵，采用基于CNN卷积池化的方法，解决三元组结构特征的问题。该模型在公开数据集FB15k-237和WN18RR上进行了详细的实验，实验表明BFGAT模型能有效提高知识图谱链接预测的效果。

来源：2024年第2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2期