Die Entitätseinkoppelung leidet in der Regel an den Problemen struktureller Heterogenität und begrenzter Seed-Einkoppelungen. In dieser Arbeit schlagen wir ein neues Mehrkanal-Graph-Neural-Network-Modell (MuGNN) vor, um ausrichtungsorientierte Wissensgraphen-Embeddings zu lernen, indem zwei Wissensgraphen (KGs) über mehrere Kanäle robust kodiert werden. Jeder Kanal kodiert die Wissensgraphen durch unterschiedliche Relationsgewichtungsschemata im Hinblick auf die Selbstaufmerksamkeit für die Vervollständigung des Wissensgraphen und die Quer-Wissensgraphenaufmerksamkeit zur Abschneidung exklusiver Entitäten, welche anschließend durch Pooling-Techniken kombiniert werden. Darüber hinaus inferieren und transferieren wir regelbasiertes Wissen, um beide Wissensgraphen konsistent zu vervollständigen. MuGNN soll die strukturellen Unterschiede zwischen zwei Wissensgraphen ausgleichen und somit eine bessere Nutzung der Seed-Einkoppelungen ermöglichen. Ausführliche Experimente mit fünf öffentlich verfügbaren Datensätzen belegen unsere überlegene Leistung (im Durchschnitt 5 % mehr Hits@1).请注意，这里的“法语”应该是笔误，我将其理解为“德语”并进行了翻译。如果有任何其他要求或需要进一步调整的地方，请告知。