HAHE：面向全局与局部层级的超关系知识图谱的分层注意力机制

在超关系知识图谱（Hyper-relational Knowledge Graph, HKG）上的链接预测是一项具有重要意义的研究任务。HKG由超关系事实（H-Facts）构成，每个H-Fact包含一个主三元组以及多个辅助的属性-值限定词，能够有效表达全面的事实信息。HKG的内部结构可在全球层面以超图（hypergraph）形式进行建模，在局部层面则以语义序列形式进行表示。然而，现有研究大多未能同时建模HKG的图结构与序列结构，从而限制了其表示能力的提升。为克服这一局限，本文提出一种新颖的层次化注意力模型——HKG嵌入的层次化注意力模型（Hierarchical Attention for HKG Embedding, HAHE），该模型包含全局层次与局部层次的注意力机制。其中，全局层次注意力通过超图对偶注意力层（hypergraph dual-attention layers）建模HKG的整体图结构；局部层次注意力则利用异构自注意力层（heterogeneous self-attention layers）捕捉H-Fact内部的语义序列结构。实验结果表明，HAHE在HKG标准数据集上的链接预测任务中达到了当前最优性能。此外，HAHE首次解决了HKG中多位置预测（multi-position prediction）的问题，显著提升了HKG链接预测任务的实际应用价值。本文代码已公开发布，供学术界共享与复现。