.png){kind=icon}
返回
TSMixerE: Entity Context-Aware Method for Static Knowledge Graph Completion
.png){kind=icon}
PRE
AI
DOI：10.32604/cmc.2025.071777.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
信息技术和数字化进程的加速发展，导致各领域数据呈爆炸式增长。作为知识表示和共享的关键技术，知识图谱通过构建实体间的关系结构化网络发挥着重要作用。然而，数据稀疏性及大量未被探索的隐含关系导致知识图谱普遍存在不完整性。在静态知识图谱补全中，现有方法大多依赖线性操作或简单的交互机制进行三元组编码，难以充分捕捉实体与关系之间的深层语义关联。此外，许多方法仅关注单个三元组的局部信息，忽略了实体在图结构邻域节点中嵌入的丰富语义依赖，导致嵌入表示不完整。为解决这些挑战，我们提出了一种基于实体上下文的静态知识图谱补全方法——两阶段混合嵌入（TSMixerE）。在单元语义提取阶段，TSMixerE利用多尺度环形卷积捕捉多粒度局部特征，增强表示的灵活性和对无关信息的过滤，从而提升特征表示的判别力与语义深度。对于上下文信息融合，多层自注意力机制实现上下文线索的深度交互，有效整合局部细节与全局上下文。同时，类型嵌入明确各组件的语义身份与角色，增强模型对多源异构信息的敏感度与融合能力。此外，TSMixerE为实体构建上下文单元序列，充分探索图结构中的邻域信息以建模复杂语义依赖，从而提升嵌入表示的完整性与泛化能力。
Keyword:
Knowledge graph
knowledge graph complementation
convolutional neural network
feature interaction
context
