.png){kind=icon}
返回
Representation learning on knowledge graph: a path attention-based method
.png){kind=icon}
PRE
AI
DOI：10.1007/s11276-025-04041-y.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
知识表示学习将知识图谱中的实体和关系映射到连续且稠密的空间中进行特征表示。随着时间的发展，知识图谱中所包含的数据量逐渐增加，实体邻域内的空间结构变得越来越复杂。现有的翻译模型仅针对知识三元组结构本身，未能考虑实体间的结构关系，也缺乏对知识完备性的考虑。基于卷积神经网络的知识表示学习算法在从实体邻域捕获信息时存在知识重叠问题，影响了特征的可区分性。为解决这些局限性，本文提出了一种基于关系路径注意力的知识表示学习方法。该模型由编码器和解码器两个模块组成。首先，将目标实体的邻域空间定义为两部分：(1)由目标实体和一阶邻居实体形成的星形知识结构；(2)由从一阶邻居实体出发的多阶关系路径构成的多分支链结构。然后，使用关系融合算法处理链结构，获得聚合了多阶邻居实体信息的一阶消息源。对于星形知识结构，为防止结构信息在表示学习过程中被破坏，采用注意力机制聚合消息源信息，以实现目标实体和关系的向量表示。我们在FB15K-237和WN18数据集上分别对所提出的模型和基线模型执行链接预测任务。实验结果表明，所提出的模型相比现有的基线模型具有显著的性能提升，验证了算法的有效性和优越性。
Keyword:
Knowledge graph
Knowledge representation learning
Graph attention network
Relation paths
Hierarchical structures
期刊
IF:
2.1
论文数:
312
被引数:
5.4K
机构
引用论文
.png){kind=icon}
LogicENN: A Neural Based Knowledge Graphs Embedding Model With Logical RulesLogicENN: 一种基于神经的具有逻辑规则的知识图谱嵌入模型
OAAI
OAAI分享收藏
查看更多内容