面向知识图谱链接预测的图结构协作注意力网络

知识图谱以结构化方式表示真实世界实体及其关系，支持从信息检索到自动推理等广泛的应用。在本文中，我们系统比较了传统基于规则的方法与现代深度学习方法在链接预测中的表现。我们关注 KBGAT，这一一种图神经网络模型，利用多头注意力机制在局部邻域结构中联合编码实体和关系特征。为推进此项研究，我们引入 GCAT (Graph Collaborative Attention Network)，一种改进模型，增强了异构节点之间的上下文聚合和交互。在四个广泛使用的基准数据集上的实验结果表明，GCAT 不仅始终优于基于规则的方法，还在现有神经嵌入模型中实现了具竞争力或更佳的性能。我们的发现凸显了注意力机制架构在捕捉知识图谱完成任务中复杂关系模式方面的优势。