摘要
作为人工智能的基石，知识图谱在信息检索、知识问答、推荐系统和许多其他方面起着越来越重要的作用。但是，知识图谱通常存在不完整性问题。近年来，为了解决这一问题，研究者们提出许多知识图谱嵌入学习方法。但是，知识图谱嵌入学习依然存在许多技术问题。 首先，以TransE为代表的翻译模型可以有效解决数据稀疏性等问题，但是在一对多、多对一和多对多关系的表示上仍不准确。其次，在知识图谱嵌入方法中，三元组评分函数会影响模型的精度，确定一个合理有效的三元组评分函数尤为重要。最后，在知识图谱中，三元组并不都是单独存在的，在现存的方法中大部分是针对单个三元组进行嵌入表示，这样的嵌入向量并不能完整的表示实体信息。因此，本文针对以上三个问题并考虑到知识图谱的图形结构对现有研究工作进行了改进，主要从以下两个方面进行研究： （1）针对现有的分布式表示方法对复杂关系和知识图谱的图结构表示不足，并合理优化三元组评分函数。本文提出了实体-关系节点关联图（EntityandRelationNodeAssociationGraph，简称ERNAG）。在ERNAG上，实体和实体之间存在的关系被视为节点。节点之间的连接表示为关联。ERNAG与图神经网络相结合，以嵌入实体和关系以进行节点之间的关联预测。 （2）针对目前知识图谱嵌入方法表示向量不完整性问题。为了更好的使实体-关系节点关联图上的每个节点嵌入向量能够表示其多跳关联节点信息，本文将实体-关系节点关联图结合图注意力网络，使得实体-关系节点关联图中的节点嵌入表示向量融合其邻居节点的信息，使得嵌入向量信息更为丰富。通过实验表说明，模型的有效性。
NETL