基于随机化与全局感知的知识图谱嵌入模型 RGaKE

《Scientific Reports》：RGaKE: randomized and global-aware knowledge graph embedding for link prediction

　　

摘要

近年来，基于深度神经网络的知识图谱嵌入（KGE）在链接预测中变得盛行。然而，现有的 KGE 方法采用单嵌入结构，这限制了实体与关系之间的细粒度交互。此外，这些模型未能充分融入全局结构信息，因此缺乏捕捉实体 - 关系嵌入元素长程依赖的能力。为了解决上述问题，我们提出了一种新型随机化与全局感知知识图谱嵌入模型，名为 RGaKE，它集成了随机化嵌入策略与全局感知模块。具体来说，首先提出了一种随机扰动嵌入策略，通过随机排列来增强实体 - 关系嵌入的语义表达多样性。此外，引入了全局感知模块，通过空间注意力和通道重校准来增强捕捉全局上下文信息的能力。最后，多尺度特征注意力融合模块动态聚合不同感受野的交互特征，捕捉复杂的关系模式和上下文语义。在四个代表性知识图谱基准数据集（即 FB15K-237、WN18RR、YAGO-10 和 KINSHIP）上的实验结果表明，所提出的 RGaKE 在链接预测任务中表现出显著优势和优异的泛化能力。