关于： 知识图谱推理, 实体分类, 链接预测, 图卷积神经网络（GCN）， 敬告机制

摘要：

针对现有知识图推理方法中传统的神经网络方法不能有效地考虑实体之间的相关性，提出了一种结合图卷积神经网络（GCN）和注意机制（Attention）的知识图推理算法。该方法利用注意机制计算知识图中实体与其邻域实体之间的相关性，得到实体特征向量。通过图卷积神经网络的参数共享技术学习实体的所有邻域实体特征，将实体特征和关系特征融合，得到每个实体的隐式特征向量。实体分类实验和链接预测实验的结果表明，该方法的准确性比传统的神经网络方法进一步提高，为搜索、问答、推荐和数据集成提供了方法学支持。

关键词： 知识图推理， 实体分类， 链路预测， 图卷积神经（GCN）网络， 注意机制