文章摘要:知识图谱是许多人工智能任务中重要的组成部分，但现有知识库通常存在不完整性问题。知识图谱补全是当前研究的一个重点，每个任务都旨在基于知识库中已知三元组来预测缺失的链接。由于大多数方法都是独立地处理三元组，而忽略了知识图谱所具有的异质结构和相邻节点中固有的丰富的信息，导致不能够充分挖掘三元组的特征。重新考虑了基于端到端的知识图谱补全任务，提出了一种新颖的图对比注意力网络（GCAT），通过注意力机制来同时捕获局部邻域内实体和关系的特征，并封装更多的实体邻域上下文信息。特别地，为了有效地封装三元组的特征，引入了一个子图级别的对比训练对象用于增强生成的实体嵌入的质量。为了验证GCAT的有效性，在链接预测任务上评估了所提的方法，实验结果表明，在数据集FB15k-237中，MRR比InteractE提高0.5%，比A2N模型提高了4.2%；在数据集WN18RR中，MRR比InteractE提高1.9%，比A2N模型提高了3.2%。实验证明提出的图对比注意力网络模型能够有效预测知识图谱中缺失的链接。

文章关键词:

项目基金: