Multi-relation constrained co-occurrence attention model for knowledge graph representation learning

Xiaodong Li

doi:10.1016/j.neucom.2026.135181

Multi-relation constrained co-occurrence attention model for knowledge graph representation learning

2026-09-19

0

PRE

AI

DOI：10.1016/j.neucom.2026.135181

原文链接

原文求助

摘要

En 中文

• 一种新型混合框架（MRCCA）通过协同图注意力网络（GATs）和知识图谱嵌入（KGE）来克服知识图谱补全中的过度平滑和关系能力有限问题。 • 一种共现驱动的注意力机制利用共现信息和KGE语义假设，消除传统线性变换和非线性激活，以减少可训练参数。 • 一种多关系匹配模块整合KGE几何运算（旋转和平移），以显式建模复杂关系（如一对多和多对一映射），在多种评估指标上实现高参数效率，在通用基准（FB15k-237、WN18RR）和领域特定知识图谱（Kinship、UMLS）上取得最佳结果。

Keyword:

Link prediction

Knowledge graph embedding

Graph neural networks

Co-occurrence attention

Attention mechanism

Multi-relation constrained co-occurrence attention model for knowledge graph representation learning

摘要

期刊

机构

引用论文