JointRel：结合关系信息传递的联合语义嵌入方法，用于知识图谱补全

《Neural Networks》：JointRel: Joint semantic embedding with relational message passing for knowledge graph completion

　　

张云农|黄家双|丁卫平|徐敏

摘要

知识图谱补全（KGC）旨在通过学习图谱信息来预测缺失的尾部或头部实体。然而，大多数研究侧重于实体语义的准确表达，而忽略了边特征。这导致实体和关系的语义表达失衡，限制了知识图谱的应用范围。为此，我们提出了一种结合关系信息传递（JointRel）的联合语义嵌入方法，该方法通过双通道图谱增强网络来显式学习节点和边特征。具体来说，在实体嵌入学习中，通过节点级和边级图谱学习来获取中心节点的邻居信息，然后通过聚合这两种邻居信息得到更新后的表示；在关系嵌入学习中，将实体对的关系上下文作为先验知识，并通过图谱注意力机制结合它们之间的关系路径，从而获得边特征的更新表示。在四个KGC数据集上的实验表明，JointRel的性能优于现有最佳方法（SOTA），其平均准确率（MRR）分别提高了4.2%、0.2%、3.4%和24.8%。JointRel为实体和关系提供了更加平衡的语义表达框架，增强了KGC的稳定性和鲁棒性，这对于问答系统和推荐系统等下游应用具有重要意义。