细粒度IP定位参文14（DisenKGAT）： Knowledge graph embedding with disentangled graph attention network

[14] J. Wu et al., “DisenKGAT: Knowledge graph embedding with disentangled graph attention network,” in Proc. ACM Int. Conf. Inf. Knowl. Manage., 2021, pp. 2140–2149.（DisenKGAT:带有解纠缠图注意网络的知识图嵌入）

原文：https://arxiv.org/pdf/2108.09628.pdf

---

ABSTRACT

传统知识图谱补全方法单一、静态，不足以准确地捕获复杂关系。本文作者提出了一种新的解耦知识图谱注意网络(DisenKGAT)，它利用微观解耦（新的关系感知聚合）和宏观解耦（利用互信息作为正则化来增强独立性）来挖掘知识图谱背后的表示，效果甚好。

---

KEYWORDS

知识图谱，图神经网络，解耦表示，互信息

---

1 INTRODUCTION

知识图谱补全(KGC)，即基于知识图谱嵌入（KGE）方法，预测一个新的给定三元组是否有效。

传统模型忽略了有意义的图上下文信息，因此需要利用图卷积神经网络（分层传播来收集相邻实体嵌入）。

CompGCN将GCN的聚合与打分函数相结合，构建知识图补全中的编码器-解码器范式，但静态表示限制了嵌入的灵活性和表达能力，特别是在复杂的一对多(1-to-N)、多对一(N-to-1)和多对多(N-to-N)关系中。

为啥静态表示有点不太行？举个例子：

众所周知，“国籍”和“职业”都是一对多关系。科比和比尔盖茨，一个是打篮球的，一个是开公司的，差了十万八千里。但就因为他俩都是美国人，使得“国籍”这一静态且唯一的表征，会显著影响图谱补全的效果，不能根据场景的动态变化生成不同的适应性表征。说通俗点就是，你说他俩在国籍上相似，但马上话题一变，聊职业了，你再谈国籍上的相似性，对不起不仅不管用了，还会干扰话题。

总结传统模型的劣势：

（1）按理来说，同一实体在不同场景下应当展现出不同的表征含义，但传统模型简单粗暴地聚合邻域实体，无法有效地建模关键关系（邻居边信息往往蕴含着实际预测的场景）。

（2）忽视了实体嵌入背后隐因子的耦合（其实就是把不同背景的属性邻居一锅炖），而一个实体可能有多个方面，各种关系集中在实体的不同方面。

如下图所示，科比在不同场景下的信息都有邻接关系，比如职业、荣誉、家庭以及地域。假设问你关于科比的儿子信息，显然话题的重心是侧重于他家庭属性下的邻居，如他的妻子以及他的女儿，跟工作、荣誉这些属性扯不上半毛钱关系。

 

（3）基于以上两点，这些方法的可解释性和鲁棒性较低，即容易对不符合当前情景的无关邻居产生过度反应，抹去KG（知识图谱）本身丰富的结构和上下文信息。

本文作者通过引入基于解耦表征的学习框架以解决上述问题。

知识图谱解耦的核心思想为：通过将实体不同主题语义表示进行拆分解耦，根据给定查询针对性匹