融合描述信息和结构特征的知识图谱链接预测

• Published in: 计算机科学与探索 Vol. 18; no. 2; pp. 486 - 495
• Main Authors: 陈加兴, 胡志伟, 李茹, 韩孝奇, 卢江, 闫智超
• Format: Journal Article
• Language: Chinese
• Published: 山西大学 计算机与信息技术学院,太原 030006 01.02.2024; 山西大学 计算智能与中文信息处理教育部重点实验室,太原 030006
• Subjects: link prediction; BERT; convolutional neural networks(CNN); 知识图谱; 卷积神经网络(CNN); knowledge graph; 链接预测
• ISSN: 1673-9418
• DOI: 10.3778/j.issn.1673-9418.2211011

TP18; 知识图谱普遍存在知识不完整的问题,这使得链接预测成为知识图谱的重要研究内容.现有模型仅关注三元组的嵌入表示,一方面,在模型的输入仅对实体和关系的嵌入表示进行随机初始化,并未融入实体及关系的描述信息,会缺失语义信息;另一方面,在解码时忽略三元组自身结构特征对链接预测结果的影响.针对上述问题,提出一种融合描述信息与结构特征的知识图谱链接预测模型BFGAT.BFGAT模型利用BERT预训练模型编码实体和关系的描述信息,并将描述信息融入到实体与关系的嵌入表示中,解决缺失语义信息的问题;在编码过程使用图注意力机制聚合邻接节点的信息,解决目标节点获得更为丰富信息的问题;在解码过程把三元组的嵌入表示拼接成矩阵,采用基于CNN卷积池化的方法,解决三元组结构特征的问题.该模型在公开数据集FB15k-237和WN18RR上进行了详细的实验,实验表明BFGAT模型能有效提高知识图谱链接预测的效果.