融合实体语义及结构信息的知识图谱推理

作     者：王利琴 张特 许智宏 董永峰 杨国伟 

作者机构：河北工业大学人工智能与数据科学学院 河北省大数据计算重点实验室(河北工业大学) 河北省数据驱动工业智能工程研究中心(河北工业大学) 天津市公安局北辰分局 

出 版 物：《计算机应用》 (Journal of Computer Applications)

年 卷 期：2024年

学科分类：081203[工学-计算机应用技术] 08[工学] 0835[工学-软件工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：河北省高等学校科学技术研究项目(ZD2022082) 河北省高等教育教学改革研究与实践项目(2022GJJG049) 中国高等教育学会2022年度高等教育科学研究规划课题(22XX0401) 河北省研究生教育教学改革研究项目(YJG2023023) 

主　　题：知识图谱 知识图谱推理 关系图卷积网络 图注意力网路 交互注意力机制 

摘      要：目前，图注意力网络（GAT）通过引入注意力机制对目标实体的邻域实体赋予不同权重并进行信息聚合，使得它更关注实体的局部邻域，忽略了图结构中实体和关系之间的拓扑结构；而且在多头注意力后将输出嵌入简单拼接或平均，导致注意力头之间相互独立，未能捕捉不同注意力头的重要语义信息。针对GAT应用于知识图谱（KG）推理任务时未充分挖掘实体结构信息和语义信息的问题，提出融合实体语义及结构信息的知识图谱推理（FESSI）模型。首先，使用TransE将实体和关系表示为同一空间的嵌入向量；其次，提出交互注意力机制，将GAT中多头注意力重新融合成多个混合注意力，增强注意力头之间的交互性，以提取目标实体更丰富的语义信息；同时，利用关系图卷积网络（R-GCN）提取实体的结构信息，并通过权重矩阵学习GAT和R-GCN的输出特征向量；最后，使用ConvKB作为解码器进行评分。在知识图谱数据集Kinship、NELL-995和FB15K-237上的实验结果表明，FESSI模型的效果优于多数对比模型，在3个数据集的平均倒数排名（MRR）指标上的结果分别为0.964、0.565和0.562。