融合关系路径与实体邻域信息的知识图谱补全方法

知识图谱为许多人工智能应用提供了底层的技术支持，包括电子商务、智能导航、医疗保健、社交媒体等领域。但现有的知识图谱通常是不完整的，大量的知识隐含在其中，因此如何将知识图谱补全完整成为亟需解决的问题。现有方法大多是独立处理实体邻域信息或关系路径，忽略了实体邻域信息对关系路径探索过程的重要性。为此，本文提出了一种融合关系路径与实体邻域信息的知识图谱补全方法（RPEN-KGC）。RPEN-KGC由采样器和推理器构成，采样器通过在实体对之间随机游走，为推理器提供可靠的推理策略。同时采样器利用实体邻域相似性对比机制约束随机游走的方向，有效提高采样的效率，并且使推理策略更加丰富。推理器通过提取关系路径的语义特征，在语义空间中推理出更加多样化的关系路径。在公开的NELL-995和FB15K-237数据集中通过链接预测任务进行实验验证，结果表明，RPEN-KGC在多数指标上相较于基准方法均有一定的提升，说明RPEN-KGC能够有效预测知识图谱中缺失的知识。