融合DeepE和对比学习的链路预测模型.pdfVIP

计算机系统应用

ISSN

1003-3254,

CODEN

CSAOBNE-mail:

csa@

2025,34(2):206−215

[doi:

10.15888/ki.csa.009769]

[CSTR:

32024.14.csa.009769]

©中国科学院软件研究所版权所有.Tel:

+86-10

融合DeepE和对比学习的链路预测模型①

112,3

翁慧敏,

郭躬德,

林世水

1(福建师范大学

计算机与网络空间安全学院,

福州

350117)

2(福建医科大学

临床医学部,

福州

350122)

3(福州大学附属省立医院,

福州

350001)

通信作者:

郭躬德,

E-mail:

ggd@

摘要:

现有的知识图谱链路预测方法在学习语义信息的过程中大多只关注单个三元组中头实体h、关系r和尾

实体t之间的语义关系,

没有考虑不同三元组中相关实体和实体关系之间的联系.

针对此问题,

本文提出了DeepE_CL

模型.

首先,

通过DeepE模型学习相关三元组的语义信息和具有相同实体关系对的实体或具有相同实体的实体关

系对的语义信息.

其次,

利用提取的相关三元组语义信息计算相应的评分函数和交叉熵损失,

并采用对比学习模型

对提取的具有相同实体关系对的实体或具有相同实体的实体关系对的语义信息进行优化,

从而实现对相关三元组

缺失信息的预测.

本文在4个常见的数据集上进行验证,

运用MR、MRR、Hit@1和Hit@10这4个评价指标对所

提方法和其他基线模型进行对比,

实验结果表明DeepE_CL模型在所有指标上都取得了最好的结果.

为了进一步验

证模型的实用性,

本文还将模型应用到了1个真实的中成药数据集,

实验结果显示DeepE_CL模型比DeepE模型

在MR指标上降低了18,

在MRR、Hit@1指标上分别提升了0.8%、1.1%,

在Hit@10指标上维持不变.

实验证明了

引入对比学习模型的DeepE_CL模型在提升知识图谱链路预测性能方面的有效性.

关键词:

链路预测;

对比学习;

知识图谱;

中成药数据集

引用格式:

翁慧敏,郭躬德,林世水.融合DeepE和对比学习的链路预测模型.计算机系统应用,2025,34(2):206–215.

/1003-

3254/9769.html

LinkPredictionModelIntegratingDeepEandContrastiveLearning

112,3

WENG

Hui-Min,

GUO

Gong-De,

LIN

Shi-Shui

1(College

of

Computer

and

Cyber

Security,

Fujian

Normal

University,

Fuzhou

350117,

China)

2(School

of

Clinical,

Fujian

Medical

University,

Fuzhou

350122,

China)

3(Fuzhou

University

Affiliated

Provincial

Hospital,

Fuzhou

350001,

China)

Abstract:

Most

of

the

existing

knowledge

graph

link

prediction

methods

focus

only

on

the

semantic

relationships

between

a

head

entity

h,

a

relationship

r,

and

a

tail

entity

t

in

a

single

triad

in

learning

semantic

information.

They

do

not

consider

the

links

between

related

entities

and

entity

r