邻域信息分层感知的知识图谱补全方法

知识图谱补全（KGC）旨在利用知识图谱的现有知识推断三元组的缺失值。近期的一些研究表明，将图卷积网络（GCN）应用于KGC任务有助于改善模型的推理性能。针对目前大多数GCN模型存在的同等对待邻域信息、忽略了邻接实体对中心实体的不同贡献度、采用简单的线性变换更新关系嵌入等问题，提出了一个邻域信息分层感知的图神经网络模型NAHAT，在关系更新中引入实体特征信息，通过聚合实体和关系表征来丰富异质关系语义，提高模型的表达能力。同时，将自我对立的负样本训练应用到损失计算中，实现模型的高效训练。实验结果表明，与图卷积网络模型COMPGCN相比，所提出的模型在FB15K-237数据集上Hits@1、Hits@10指标分别提高了3%、2.6%；在WN18RR数据集上分别提高了0.9%、2.2%。验证了所提出的模型的有效性。