Context-Driven Knowledge Graph Completion with Semantic-Aware Relational Message Passing

doi:10.1007/978-981-95-4367-0_38

Context-Driven Knowledge Graph Completion with Semantic-Aware Relational Message Passing

2026-01-01

0

PRE

AI

DOI：10.1007/978-981-95-4367-0_38

原文链接

原文求助

摘要

En 中文

三元组（h, r, t）周围的语义上下文对于知识图谱补全（KGC）至关重要，为预测提供关键线索。然而，传统的基于节点的消息传递机制在应用于知识图谱时，往往引入噪声，并通过无差别聚合所有邻接边的信息而遭受信息稀释或过度平滑问题。为应对这一挑战，我们提出了语义感知的关联消息传递。该框架的核心创新在于引入了一种语义感知的Top-K邻接点选择策略。具体而言，该策略首先在共享隐空间中评估中心节点与其邻接边之间的语义相关性，仅选择Top-K最相关的边。随后，通过多头注意力聚合器将所选边的信息与中心节点自身的表示有效融合，生成语义聚焦的节点消息。通过这种方式，我们的模型不仅利用了知识图谱中边的结构和特征，还更准确地捕获和传播与特定链接预测任务最相关的上下文信息，从而有效减轻无关信息的干扰。大量实验表明，与现有方法相比，我们的方法在多个基准测试中取得了更优的性能。

Keyword:

Knowledge Graph Completion

Graph Neural Network

Machine Learning

Context-Driven Knowledge Graph Completion with Semantic-Aware Relational Message Passing

摘要

期刊

机构

引用论文