原创力文档- 1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
- 2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
第35卷摇第6期计算机技术与发展Vol.35摇No.6
2025年6月摇摇摇摇摇摇摇摇摇摇COMPUTERTECHNOLOGYANDDEVELOPMENT摇摇摇摇摇摇摇摇摇摇Jun.摇2025
结合层次化关系注意力与联合嵌入的
知识表示方法
11*12
毛典辉,李瑞璇,王可浩,赵志华
(1.北京工商大学计算机与人工智能学院,北京100048;
2.中国政法大学法学院,北京102249)
摘摇要:知识表示学习旨在将知识图谱中的实体和关系映射到低维连续向量空间,使得计算机能够处理结构化知识。然
而,现有基于图卷积网络的知识表示学习模型通常采用固定权重的聚合策略,未能充分考虑不同关系类型对中心实体的
异质性影响。为此,提出了一种结合层次化关系注意力与联合嵌入的知识表示学习模型(HRE-JEM)。该模型通过自注
意机制动态更新中心实体的向量表示,并捕获不同关系类型对中心实体的异质性影响。编码器将实体和关系进行联合嵌
入学习,并利用ConvE作为解码器分析三元组的空间结构特征。在WN18RR和FB15k-237数据集上的对比实验和消融实
验表明,该模型在多个指标上均优于基准模型,验证了该模型在知识表示学习领域的有效性与实用性。此外,还讨论了注
意力头个数变化对模型性能的影响。
关键词:知识表示学习;层次化关系注意力;联合嵌入;图卷积网络;链接预测
中图分类号:TP391摇摇摇摇摇摇摇文献标识码:A摇摇摇摇摇摇文章编号:1673-629X(2025)06-0108-08
doi:10.20165/ki.ISSN1673-629X.2025.0031
KnowledgeRepresentationLearningCombiningHierarchicalRelational
AttentionandJointEmbedding
11*12
MAODian-hui,LIRui-xuan,WANGKe-hao,ZHAOZhi-hua
(1.SchoolofComputingandArtificialIntelligence,BeijingTechnologyandBusinessUniversity,
Beijing100048,China;
2.SchoolofLaw,ChinaUniversityofPoliticalScienceandLaw,Beijing102249,China)
Abstract:Knowledgerepresentationlearningmapsentitiesandrelationsinknowledgegraphstolow-dimensionalvectorspacesforcom鄄
putationalprocessingofstructuredknowledge.Currentmodelsusinggraphconvolutionalnetworksenhancefeaturerepresentationof
centralentit
文档评论（0）