王星，王硕，陈吉，侯磊

（1. 辽宁工程技术大学 ，辽宁 葫芦岛 125105；2. 清华大学 计算机科学与技术系，北京 100084；3. 北京信息科学与技术国家研究中心，北京 100084；4. 清华大学 人工智能研究院知识智能研究中心，北京 100084）

0 引言

知识图谱［1］是对现实世界信息的结构化表示，随着社会的发展和科技的进步，知识图谱作为人工智能领域的关键技术之一，被广泛地应用到个性化推荐［2］、信息搜索［3］和智能问答［4］等方面。知识图谱的基本单元是（头实体，关系，尾实体）形式的三元组，每个三元组表示一条事实，例如，三元组（姚明，性别，男性）表示“姚明的性别是男性”这个事实。知识图谱的数据来源广，构建过程艰难，使得知识图谱存在信息不全的问题，因此面向知识图谱的知识补全［5］成为解决该问题的一个重要任务，即基于图谱中已有的事实或关系推断出未知的事实或关系，链接预测［6-7］则是知识补全任务的一个主要方法。

链接预测通常采用知识表示方法［8］来学习知识图谱的低维表示，用来推断新的事实。目前，以TransE 为代表的基于翻译的知识表示方法［9-10］采用浅层结构，计算效率高，能够有效学习知识图谱中的直接关系，但是通常难以处理复杂的多关系数据。以ConvE 为代表的基于神经网络的知识表示方法［11］能够深入捕捉三元组特征，具有较强的泛化能力和可解释性。然而，多数模型在进行知识表示时会忽略不同距离的邻居对于给定实体的影响。因此，为了有重点地聚合不同距离邻居实……