南京邮电大学学报(自然科学版)

作者：陈云芳,茆昊天,徐晓瑀,杜承俊,陈　杰,张　伟

单位：南京邮电大学 计算机学院，江苏 南京 210023南京邮电大学 计算机学院，江苏 南京 210023江苏省联创软件研究院，江苏 南京 210000南京邮电大学 计算机学院，江苏 南京 210023盐城工业职业技术学院 信息与安全学院，江苏 盐城 224005南京邮电大学 计算机学院，江苏 南京 210023

关键词：知识图谱；表示学习；二维卷积；链路预测

基金：国家重点研发计划（2019YFB2101701）和江苏省高职院校教师专业带头人高端研修项目（2023GRFX065）资助项目

基于浅层模型的知识图谱表示学习的目标是学习图上所有的实体和关系的嵌入表示向量，然而浅层模型难以学习到更具表达力的特征。浅层模型采用的嵌入表示矩阵使得训练过程需要消耗大量的计算资源，难以在现实中的大型知识图谱上进行训练。大型知识图谱表示学习模型——ConvPiece，基于锚节点和邻居节点及关系采样策略为知识图谱上的每个节点预计算子图表示，利用二维卷积和Transformer为每个节点聚合采样子图特征得到节点的表示向量，最终输入解码器计算得分并训练。在两个大型知识图谱数据集FB15k 237和WN18RR上的链路预测实验显示，ConvPiece在只有大模型十分之一参数量的情况下分别保持着88%和92%的性能，且分别高出参考模型9%和2%。

来源：2023年第06期

《南京邮电大学学报(自然科学版)》期刊编辑部

查看南京邮电大学学报(自然科学版)杂志2023年第06期