摘要
知识图谱嵌入一直是知识库补全领域的热门研究课题，从最初的 TransE、TransH、DistMult 等方法逐步发展到目前最先进的 ConvE。ConvE 通过在嵌入上应用二维卷积和多层非线性特征来建模知识图谱。该模型可以高效训练，并且能够扩展到大型知识图谱。然而，ConvE 的嵌入空间中没有结构约束。最近，图卷积网络（GCN）提供了一种新的学习图节点嵌入的方法，成功利用了图的连接结构。在这项工作中，我们提出了一种新颖的端到端结构感知卷积网络（SACN），结合了 GCN 和 ConvE 的优势。SACN 包括一个加权图卷积网络（WGCN）编码器和一个称为 Conv-TransE 的卷积网络解码器。WGCN 利用了知识图谱的节点结构、节点属性和边关系类型。它具有可学习的权重，可以根据邻居提供的信息量调整局部聚合中的信息使用量，从而生成更准确的图节点嵌入。图中的节点属性在 WGCN 中被表示为附加节点。解码器 Conv-TransE 使得最先进的 ConvE 能够在实体和关系之间进行平移变换，同时保持与 ConvE 相同的链接预测性能。我们在标准的 FB15k-237 和 WN18RR 数据集上展示了所提出的 SACN 的有效性，结果表明，在 HITS@1、HITS@3 和 HITS@10 指标上，SACN 相对于最先进的 ConvE 有大约 10% 的相对提升。