基于多尺度卷积的胶囊网络知识图谱嵌入模型

该文基于胶囊神经网络出色的维度信息挖掘能力,加入多尺度卷积以进一步增强其特征提取和交互能力,提出了基于多尺度卷积的胶囊网络知识图谱嵌入模型.首先,通过TransE算法训练得到实体和关系的初始化嵌入向量;其次,通过多尺度卷积生成不同的特征图,将得到的特征图进行特征融合,融合后得到的特征图重组为相对应的胶囊;最后,利用动态路由指定从第一层胶囊到第二层胶囊的连接,经过路由得到的第二层胶囊利用squash函数得到最终向量长度,该向量长度决定三元组的置信度.知识图谱链接预测任务的实验结果表明,较嵌入模型CapsE,本文提出的模型在WN18RR数据集上指标Hit@10提高1.8%,MRR提高1.4%,在FB15k-237数据集上Hit@10提高2.2%,MR提高4.8%.

融合GAT和CapsNet的链接预测研究

为解决现有的链接预测模型不能有效考虑三元组之间潜在关系的局限性,提出了一种融合图注意力网络(Graph Attention Networks,GAT)和胶囊神经网络(Capsules Noural Networks,CapsNet)的知识图谱链接预测模型,使用图注意力捕获每个实体邻域中的实体和关系特征,引入胶囊神经网络来解码三元组,通过胶囊神经网络节点嵌入特征的学习,生成连续向量与权重向量做点积运算,再构建评分函数用于判断三元组的准确性。在WN18RR和FB15K-237数据集上进行实验,结果表明该模型可以有效处理链接预测任务。