28、知识图谱链接预测的双向关系感知网络

知识图谱链接预测的双向关系感知网络

知识图谱嵌入技术旨在通过数值嵌入向量在语义空间中表示知识图谱中的元素，如实体和关系。现有知识图谱在更新前，实体和方向关系数量相对稳定。虽然已有研究利用实体关系进行知识图谱链接预测，但关系方向性特征尚未得到充分挖掘。本文提出了一种双向关系感知网络（BDRAN）用于表示学习，基于现有知识图谱中关系的方向性挖掘信息。

1. 知识图谱与嵌入技术

知识图谱本质上是一种图形式的数据，也可视为文本数据，由三元组 (h, r, t) 组成，其中 h、r 和 t 分别表示头实体、关系和尾实体。它在信息提取、问答系统和推荐系统等热门研究领域中广泛应用。为了从知识图谱中挖掘信息，知识图谱嵌入技术将文本形式的三元组映射到连续向量空间，以获取实体和关系的数值表示。

不同的知识图谱嵌入模型采用不同方法来嵌入实体和关系：
- 基于平移距离约束的模型 ：如 TransE、TransH 和 TransD 等，通过平移距离约束来模拟实体和关系。
- 基于张量分解的模型 ：如 RESCAL、ComplEx 和 SimplE 等，通过设计不同的语义得分函数来捕捉实体和关系之间的交互。
- 基于卷积操作的模型 ：近年来，卷积操作被用于捕捉实体和关系嵌入之间的语义信息，取得了较好的效率。

然而，这些模型大多没有考虑知识图谱中的节点连通性信息。为了改进这些模型，R - GCN 等模型通过消息传递方案对结构特征进行编码，GAT 和 KBAT 等模型利用图注意力机制分配注意力权重来捕捉邻居实体表示。但这些模型在聚合邻居实体信息时，没