第六章 总结与展望
6.1 总结
知识图谱作为人工智能领域的关键技术，近年来伴随着数据规模的急剧扩张而迅速发展，在多个领域发挥着重要作用。但是知识图谱都存在着不完备的问题，这种知识图谱的不完整性将会影响到智能问答、知识预测和智能推荐等一些基于推理的下游任务效果。一些研究者利用知识推理技术对知识图谱进行了补全。随着知识图谱的逐步完善，知识图谱的预测所依赖的知识源变得更加贴近客观现实。尤其是Transformer 提出后极大的改善了知识推理的性能，能够有效捕捉序列中任意位置之间的依赖关系，在处理长距离依赖的任务中表现优异，并且其架构的模块化设计可以容易的进行修改和扩展。但目前的归纳关系预测技术还存在着语义信息和结构信息建模不足的问题，因此，本文基于Transformer架构进行研究，研究内容主要如下：
（1）传统方法往往侧重于结构特征或路径推理，导致对复杂关系建模能力不足。因此，构建了一个融合关系路径与上下文的归纳关系预测模型（IRP-RPC），实现对路径信息和上下文信息的统一融合。具体而言，该模型采用Transformer编码器分别对关系路径序列和实体的关系上下文序列进行建模，并借助自注意力机制捕获实体之间的依赖关系。此外，模型引入门控网络，以动态调整路径权重，使得逻辑相关性更强的路径能够获得更高的关注度。为了进一步提升语义表达能力，本模型结合LSTM和Transformer模块，以深层次方式整合关系路径与关系上下文信息，从而增强归纳关系预测的效果。实验结果表明，本文所提出的IRP-RPC模型在各项指标上均取得良好的效果，证明了该方法的有效性。
（2）针对现有归纳关系预测方法在语义和结构信息建模方面的不足，提出了一种基于句子转换与双注意力机制的归纳关系预测模型（IRP-SD）。采用随机行走策略寻找多跳关系路径，并将路径及三元组转换为自然语言句子，以构建语义丰富的句子嵌入。并设计自动化检索机制，以增强实体的语义表示能力。为更精确地刻画实体间的复杂交互，模型引入了边缘感知与关系感知的双注意力机制，从多个层面建模实体间的关联。最后，通过融合句子嵌入与子图嵌入，实现对结构信息与语义信息的深度整合。实验结果表明，该方法不仅提升了知识图谱中关系预测的准确性，同时提高了模型的推理效率，在归纳关系预测任务中展现出良好的性能。
参考文献（略）
