返回
Neighbor-Aware Embedding Interaction for Link Prediction
DOI:10.1142/S0218194025500603.png)
摘要
En 中文
假冒伪劣产品犯罪对消费者安全和市场稳定构成严重威胁,但该领域知识图谱的不完整性阻碍了有效案件分析和决策制定。链接预测(LP)通过捕捉实体结构及语义表示来推断潜在关系,从而缓解图谱不完整性并实现更精准的调查与执法。为实现此目标,现有研究多采用图神经网络聚合实体邻域信息,旨在嵌入过程中捕获结构及语义特征。然而,由于邻域信息存在异质性,直接聚合会降低预测精度。本文提出邻域感知嵌入交互(NEI)模型,通过计算语义与结构邻域间的交互以充分聚合异构邻域信息,进而提升LP性能。具体而言,首先提出依赖方向增强模块,提取高质量语义邻域以改善关系稀疏实体的理解;随后,邻域感知交互模块从语义及结构邻域中捕获有价值隐含信息,丰富邻域嵌入表示;接着,提出邻域感知卷积方法,通过交互整合丰富邻域嵌入向量与三元组头实体及关系嵌入向量,以提升预测性能。我们在三个公开LP数据集上开展实验评估NEI模型的有效性,结果显示,在WN18RR数据集中,NEI模型分别以MRR和Hits@1指标超越基线方法7.3%和5.3%。
Keyword:
Knowledge graph embedding
link prediction
neighbor embedding
期刊
I
IF:
0.6
论文数:
107
被引数:
543
机构
引用论文
JointE: Jointly utilizing 1D and 2D convolution for knowledge graph embeddingJointE: 联合利用1D和2D卷积进行知识图谱嵌入
A survey of sequential recommendation systems: Techniques, evaluation, and future directions顺序推荐系统综述: 技术、评估和未来方向

