DisenKGAT：基于解耦图注意力网络的知识图谱嵌入
人工智能
2021-10-12 v2
摘要
知识图谱补全（KGC）因其在众多下游任务中的卓越贡献，已成为深度学习领域的关注焦点。尽管近期关于KGC的工作大量涌现，但由于采用单一且静态的表示，它们仍不足以准确刻画复杂关系。本文中，我们提出了一种新颖的用于KGC的解耦知识图谱注意力网络（DisenKGAT），其利用微观解耦与宏观解耦来挖掘知识图谱（KGs）背后的表示。为实现微观解耦，我们提出一种新颖的感知关系聚合以学习多样化的分量表示。对于宏观解耦，我们利用互信息作为正则项以增强独立性。在解耦的辅助下，我们的模型能够针对给定场景生成自适应表示。此外，我们的工作具有很强的鲁棒性与灵活性，可适配多种评分函数。在公开基准数据集上的大量实验验证了DisenKGAT在准确率和可解释性方面优于现有方法。
引用
@article{arxiv.2108.09628,
title = {DisenKGAT: Knowledge Graph Embedding with Disentangled Graph Attention Network},
author = {Junkang Wu and Wentao Shi and Xuezhi Cao and Jiawei Chen and Wenqiang Lei and Fuzheng Zhang and Wei Wu and Xiangnan He},
journal= {arXiv preprint arXiv:2108.09628},
year = {2021}
}
备注
CIKM2021