摘要
传统的知识图谱（KG）表示学习算法将每个实体映射到一个唯一的嵌入向量，忽略了邻域中包含的丰富信息。我们提出了一种名为StarGraph的方法，为大规模知识图谱提供了一种新颖的利用邻域信息获取实体表示的方式。首先生成每个目标节点的不完整的两跳邻域子图，然后通过改进的自注意力网络对其进行处理，以获得实体表示，该表示用于替代传统方法中的实体嵌入。我们在ogbl-wikikg2数据集上达到了最佳性能（SOTA），并在fb15k-237数据集上获得了具有竞争力的结果。实验结果证明了StarGraph在参数效率方面的优势，而其在ogbl-wikikg2上的改进则展示了其在大规模知识图谱表示学习中的有效性。代码现已发布在\url{https://github.com/hzli-ucas/StarGraph}。