Este artículo destaca que el contexto semántico que rodea a un triplete (h, r, t) proporciona pistas cruciales para la predicción en la Completación de Grafos de Conocimiento (KGC). Los mecanismos existentes de paso de mensajes basados en nodos agregan indiscriminadamente información de todos los bordes adyacentes, lo que genera ruido, dilución de la información o suavizado excesivo. Para abordar este problema, este artículo propone un enfoque de paso de mensajes relacional semánticamente consciente. La innovación clave es la introducción de una estrategia de selección de vecinos Top-K semánticamente consciente. Esta estrategia evalúa la relevancia semántica entre un nodo central y sus bordes conectados dentro de un espacio latente compartido y selecciona solo los bordes Top-K más relevantes. Luego, se utiliza un agregador de atención multicabezal para fusionar eficazmente la información de los bordes seleccionados con la representación única del nodo central para generar un mensaje de nodo semánticamente impulsado. Por lo tanto, nuestro modelo no solo aprovecha la estructura y las características de los bordes dentro del grafo de conocimiento, sino que también captura y propaga con mayor precisión la información contextual más relevante para una tarea específica de predicción de enlaces, mitigando eficazmente la interferencia de información irrelevante. Experimentos exhaustivos demuestran que el enfoque propuesto supera a los métodos existentes en varios puntos de referencia.
