面向知识图谱实体类型推断的多视图对比学习

知识图谱实体类型推断（KGET）旨在推断知识图谱中实体的合理类型。现有的 KGET 方法侧重于如何更好地将实体邻居与类型所提供的知识编码为其表示，却忽略了由类型聚类方式所提供的语义知识。本文提出一种称为多视图对比学习知识图谱实体类型推断（MCLET）的新方法，其有效将聚类所提供的粗粒度知识编码进实体与类型嵌入中。MCLET 由三个模块组成：i) 多视图生成与编码模块，从实体-类型、实体-聚类与聚类-类型视图编码结构化信息；ii) 跨视图对比学习模块，鼓励不同视图协同改进实体与类型的视图特定表示；iii) 实体类型预测模块，集成多头注意力与混合专家策略以推断缺失实体类型。大量实验表明 MCLET 相较于当前最优方法具有强劲性能。