摘要：知识图嵌入（KGE）的目的是将知识图的实体和关系映射到低维空间中，以获得其向量表示。现有的KGE模型只考虑一阶邻域，这影响了知识图中推理和预测任务的准确性。为了解决这个问题，提出了一种基于[k]阶抽样算法和图注意网络的新型KGE模型。首先，提出了一种[k]阶抽样算法，通过在剪枝子图中聚集[k]级邻域来获取中心实体的邻域特征。然后，引入图注意网络来学习中心实体邻域的注意值，并通过邻域特征的加权和得到新的实体嵌入。最后，利用ConvKB作为解码器，分析了三元组的全局嵌入特性。在WN18RR、FB15k-237、NELL-995、Kinship等多个数据集上的评估实验表明，该模型在链路预测任务上的性能优于现有模型。此外，还讨论了改变阶数[k]或采样系数[b]时对模型命中率的影响。

关键词： 知识图嵌入， [k] -顺序采样算法， 图形注意力网络， 剪枝子图， 链路预测

摘要：知识图谱表示（千克）旨在将知识图谱中的实体和关系映射到低维度向量空间而获得其向量表示。现有的KGE公司模型只考虑一阶近邻，这影响了知识图谱中推理和预测任务的准确性。为了解决这一问题，提出了一种基于[克]阶采样算法和图注意力网络的KGE公司[k]阶采样算法通过聚集剪枝子图中的[克]阶邻域来获取中心实体的邻居特征。引入图注意力网络来学习中心实体邻居的注意力值，通过邻居特征加权和得到新的实体向量表示。利用ConvKB公司作为解码器来分析三元组的全局表示特征。在WN18RR、FB15k-237、NELL-995、亲属关系数据集上的评价实验表明，该模型在链接预测任务上的性能明显优于最新的模型。此外，还讨论了阶数[k] 和系统的改变对模型命中率的影响。

关键词: 知识图谱表示, [k] ， 图注意力网络, 剪枝子图, 链接预测