基于层级注意力机制的链接预测模型研究

赵晓娟，贾焰，李爱平，陈恺

（1.国防科技大学计算机学院，湖南 长沙 410073；2.湖南工业大学商学院，湖南 株洲 412007）

1 引言

在资源描述框架（RDF,resource description framework）下，知识可以表示为事实三元组，即(头实体,关系,尾实体)的形式，例如“A 是一名运动员”可表示为(A,职业,运动员)，其中，“A”“职业”“运动员”分别是三元组的头实体、关系和尾实体。知识也可以表示为有向多关系图，即知识图谱，其中，每个节点对应一个实体，连接节点的每条边对应一种关系。知识图谱中的一个三元组或者事实h,r,t表示一对实体及实体之间的关系。图1为RDF 表示与知识图谱表示的示例。

图1 RDF 表示与知识图谱表示的示例

知识图谱嵌入旨在学习知识图谱中的每个元素（实体和关系）在连续低维度向量空间中的潜在表示，使知识图谱具有可计算性，并且更容易与深度学习模型集成。它支撑着许多实际应用，包括知识问答[1-3]、推荐系统[4-6]和其他自然语言理解任务[7-9]。然而，即使YAGO[10]、DBPedia[11]、Freebase[12]这样包含了数十亿个事实的大型知识图谱，也不能避免关系或者节点缺失的问题[2,13-14]，从而引出了知识图谱补全任务的研究。这类研究任务一方面利用知识图谱中已经存在的信息来自动推断缺失的事实，另一方面预测三元组是否有效。

在知识图谱中，实体存在的意义很大程度上取决于其连边的关系类型，同一个实体在不同的关系下，其表示的重点也应有所不同。例如，对于图1中的实体“A”作为(A,职业,运动员)的头实体，在嵌入表示时更多地体现作为一个运动员的属性；……