Resumen: Contexto semántico que rodea un triplete $ (H, R, T) $ es crucial para la finalización del gráfico de conocimiento (KGC), proporcionando señales vitales para la predicción. Sin embargo, los mecanismos tradicionales de aprobación de mensajes basados en nodos, cuando se aplican a los gráficos de conocimiento, a menudo introducen ruido y sufren dilución de información o superación excesiva al agregar información indiscriminada de todos los bordes vecinos. Para abordar este desafío, proponemos una aprobación de mensajes relacionales con consciente semántico. Una innovación central de este marco es la introducción de una estrategia de selección de vecinos de Top-K de Top-K de Top-K de Top-Semantic. Específicamente, esta estrategia evalúa primero la relevancia semántica entre un nodo central y sus bordes incidentes dentro de un espacio latente compartido, seleccionando solo los Top-K más pertinentes. Posteriormente, la información de estos bordes seleccionados se fusiona efectivamente con la representación del nodo central utilizando un textbf {Multi-Head Atentator} para generar un mensaje de nodo centrado semánticamente. De esta manera, nuestro modelo no solo aprovecha la estructura y las características de los bordes dentro del gráfico de conocimiento, sino que también captura y propaga con mayor precisión la información contextual más relevante para la tarea de predicción de enlaces específica, mitigando así efectivamente la interferencia de la información irrelevante. Experimentos extensos demuestran que nuestro método logra un rendimiento superior en comparación con los enfoques existentes en varios puntos de referencia establecidos.
Publicado Originalme en export.arxiv.org El 30 de junio de 2025.
Ver Fuente Original
