摘要:在知识图谱中进行链接预测是图谱补全的有效方法，可以有效地改善知识图谱的数据质量.然而，现实生活中的关系往往是多元的，这些包含多元关系的知识图谱可称为知识超图（knowledge hypergraph，KHG）.然而，现有的知识超图链接预测模型忽略了多元关系的平等性（多元关系中实体不存在先后关系）与整体性（多元关系缺少一个实体则不成立）.针对以上问题，首先提出了一种知识超图多元关系表示模型，可以直接建模知识超图中的多元关系；然后研究了一种基于多粒度神经网络的链接预测方法（hyperedge prediction based on multi-granular attention network，HPMG）.该模型将关系划分为多重粒度进行学习，从不同粒度联合完成知识超图的学习和预测，充分考虑了知识超图中不同维度多元关系的整体性.接下来，针对HPMG特征融合不充分的问题，提出了基于多粒度注意力网络的知识超图链接预测方法HPMG+，结合全局和局部注意力，实现了不同特征的有区分融合，进一步提高了模型的性能.最后，真实数据集上的大量实验结果验证了所提方法的效果显著地优于所有基线方法.

摘要:知识超图是一种使用多元关系表示现实世界的异构图,但无论在通用领域还是垂直领域,现有的知识超图普遍存在不完整的情况.因此,如何通过知识超图中已有的链接推理缺失的链接,是一个具有挑战性的问题.目前,大多数研究使用基于多元关系的知识表示学习方法完成知识超图的链接预测任务,但这些方法仅从时间未知的超边中学习实体与关系的嵌入向量,没有考虑时间因素对事实动态演变的影响,导致在动态环境中的预测性能较差.首先,根据首次所提出的时序知识超图定义,提出时序知识超图链接预测模型,同时从实体角色、位置和时序超边的时间戳中学习实体的静态表征和动态表征,以一定比例融合后作为实体嵌入向量用于链接预测任务,实现对超边时序信息的充分利用.同时,从理论上证明模型具有完全表达性和线性空间复杂度.此外,通过上市公司的公开经营数据构建时序知识超图数据集CB67,并在该数据集上进行了大量实验评估.实验结果表明,模型能够在时序知识超图数据集上有效地执行链接预测任务.