摘要: 针对少样本场景下实体表示不充分的问题,提出一种基于子图结构语义增强的少样本知识图谱补全模型。首先,采用注意力机制,提取节点以关系交互为核心的文本语义特征,并提取节点以集群系数为核心的子图结构语义特征;接着,使用前馈神经网络实现实体语义聚合,并利用 Transformer 网络针对三元组进行编码;最后,通过原型匹配网络来计算链接预测分数。实验表明,所提模型优于所有基于度量学习的基线模型,对比最新基于元学习的基线模型,在 NELL-One 数据集上 Hits@ 1 指标得到改善,Wiki-One 数据集上所有指标得到提升,表明所提模型在增强实体表示和提升实体链接的预测效果上是有效的。
中图分类号:
杨荣泰 邵玉斌 杜庆治 龙华 马迪南. 基于子图结构语义增强的少样本知识图谱补全[J]. 北京邮电大学学报, 2024, 47(4): 71-76,89.
YANG Rongtai, SHAO Yubin, DU Qingzhi, LONG Hua, MA Dinan. Few-Shot Knowledge
Graph Completion Based on Subgraph Structure Semantic Enhancement[J]. Journal of Beijing University of Posts and Telecommunications, 2024, 47(4): 71-76,89.