基于自适应注意力机制的知识图谱补全算法

现有的知识图谱补全模型通常将多源信息整合为实体和关系学习单一的静态特征表示，但无法表征不同上下文中出现的实体和关系的细差含义和动态属性，即实体和关系在涉及不同的三元组时可能有着不同的角色和含义，并因此表现出不同的属性。为此，提出了一种自适应注意力网络用于知识图谱补全，引入自适应注意力建模每个特征维度对特定任务的贡献程度，为目标实体和关系生成动态可变的嵌入表示。具体而言，所提模型通过定义邻居编码器和路径聚合器来处理实体邻域子图中的两种结构，自适应地调整邻居实体和关系路径的注意力得分，以捕获逻辑上与任务最相关的属性特征，为实体和关系赋予符合当前任务的细粒度语义。在链接预测任务中的实验结果表明，所提模型在FB15K-237数据集中的MeanRank指标比PathCon降低了6.9%,Hits@1比PathCon提高了2.3%;在稀疏数据集NELL-995和DDB14上，其Hits@1分别达到了87.9%和98%,证明了引入自适应注意力机制能够有效提取实体和关系的动态属性，为二者生成更全面的表示形式，从而提高知识图谱补全精度。