嵌入注重位置性和中心性的知识图

知识图嵌入（KGE）由于其在解决下游任务（包括链接预测和节点分类）方面的适用性，最近成为许多人工智能研究的中心。然而，大多数知识图嵌入模型在向量空间中只编码实体的局部图结构，即1跳邻域的信息。获取实体的局部图结构和全局特征对于知识图上的预测任务至关重要。本文提出了一种新的KGE方法，称为图形特征关注神经网络（GFA-NN），用于计算实体的图形特征。因此，生成的嵌入关注两种类型的全局网络特征。首先，节点的相对中心性是基于对某些实体比其他实体更“突出”的观察。第二，实体在图形中的相对位置。GFA-NN计算每个实体的几个中心值，生成一个随机的参考节点实体集，并计算给定实体到参考集中每个实体的最短路径。然后，它通过优化每个功能上指定的目标来学习此信息。我们对GFA-NN在归纳和转导环境中的几个链路预测基准进行了研究，结果表明，GFA-NN获得了与最先进的KGE解决方案相同或更好的结果。