摘要
近年来,知识图谱嵌入(Knowledge Graph Embedding, KGE)因其在解决下游任务(如链接预测和节点分类)中的广泛应用,成为人工智能研究的焦点。然而,现有的大多数知识图谱嵌入模型仅将实体的局部图结构(即一阶邻域信息)编码至向量空间中。为了提升知识图谱上的预测性能,捕捉实体的全局图特征与局部结构同样至关重要。本文提出一种新型KGE方法——图特征注意力神经网络(Graph Feature Attentive Neural Network, GFA-NN),该方法能够显式计算实体的图特征。由此生成的嵌入向量对两类全局网络特征具有注意力机制:其一,基于节点的相对中心性,即部分实体在图中具有更高的“显著性”;其二,实体在图中的相对位置关系。GFA-NN为每个实体计算多种中心性指标,随机选取一组参考节点,并计算目标实体到该参考集内每个节点的最短路径距离。随后,通过在每一类特征上定义优化目标,学习并整合这些全局信息。我们在多种链接预测基准数据集上,在归纳式(inductive)与直推式(transductive)设置下对GFA-NN进行了实验验证。结果表明,GFA-NN在性能上达到或超越当前最先进的KGE方法,展现出更强的建模能力与泛化性能。