KGC：Learnable convolutional attention network for knowledge graph completion，知识图谱补全论文解读，KGC任务最新方法

今天这篇文章名字《Learnable convolutional attention network for knowledge graph completion》 

 

本文的主要贡献：

1.提出了KGCAT模型， 在注意力机制前面添加了卷积操作，既能为中心实体提供结构信息，又能避免信息冗余；

2.KGCAT模型是一个可学习的模型，它融合了三种类型的GNN模型，并且通过可学习的参数自由的在GNN模型之间切换；

3.提出了一种可学习的信息传递模型结构，主要用于三元组之间的信息传递；

4.在公开数据集上进行了大量实验，并取得了不错的效果。

如上图所示：

1.在encoder部分，模型分为两部分，分别为信息传递部分，主要是聚合节点之间和临边的特征；其次为卷积注意力部分，主要为学习不同中心节点之间的注意力信息和交互作用；最后输出三元组的组合特征信息；

2.在decoder部分，模型主要为基于encoder部分进行解码，为三元组特征进行打分排序，进而进行实体之间的关系预测，从而进行实体链接和三元组补全。

 

1.公式4为通过GCN改进而来；

2.公式5为通过GAT改进而来； 

 

  

公式6为改进版45公式，解决了GCN和GAT的弊端 

 

公式7 融合了以上三部分结构，通过可学习参数自由切换GNN模型

 

 

 

可学习消息传递聚合结构，公式10为89的改进版，既有特征相加，又有特征拼接

 

 

 

 

实验结果