计算机工程

作者：翟社平, 张宇航, 柏晓夏

单位：1. 西安邮电大学 计算机学院, 西安 710121;2. 陕西省网络数据分析与智能处理重点实验室, 西安 710121

关键词：知识图谱嵌入,生成对抗网络,邻域信息,图卷积神经网络,Wasserstein距离

基金：国家自然科学基金（61373116）；工业和信息化部通信软科学项目（2018R26）；陕西省重点研发计划项目（2022GY-038）；陕西省大学生创新创业训练计划项目（S202111664077）；西安邮电大学研究生创新基金（CXJJLY202027）。

知识图谱嵌入的主要任务是将实体与关系嵌入低维、连续的向量空间。在模型训练过程中，必须同时提供正负三元组。已有的负采样方法多使用均匀随机采样方法构造负样本，通过这种方式获得的负样本对于模型的训练贡献很小。基于生成对抗网络，生成器能够采样更多可信的负三元组，增强嵌入模型性能。然而，离散数据在使用遗传算法时存在梯度消失的问题。针对以上问题，提出一种融合实体邻域信息的知识图谱嵌入负采样方法。该方法基于生成对抗网络的框架，通过图卷积神经网络聚合实体在不同关系路径上的邻域信息，用以辅助生成器产生高质量的负样本，提高鉴别器的性能。同时，在鉴别器部分引入Wasserstein距离代替传统的散度，解决梯度消失问题，加速模型收敛。在链接预测任务和三元组分类任务上对所提方法的有效性进行验证，结果表明，该方法在链接预测任务中MR、MRR、Hits@10较基线模型分别平均提升4.18、9.19、10.18个百分点，在三元组分类任务中准确率平均提升4.50个百分点，充分证明实体邻域信息的融入能够进一步提升负样本质量，显著提升模型性能。

来源：2023年第3期

《计算机工程》期刊编辑部

查看计算机工程杂志2023年第3期