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。