Cet article souligne que le contexte sémantique entourant un triplet (h, r, t) fournit des indices cruciaux pour la prédiction dans la complétion de graphe de connaissances (KGC). Les mécanismes existants de transmission de messages basés sur les nœuds agrègent indistinctement les informations de tous les arcs adjacents, ce qui entraîne du bruit, une dilution de l'information ou un lissage excessif. Pour résoudre ce problème, cet article propose une approche de transmission de messages relationnelle sémantiquement consciente. L'innovation clé réside dans l'introduction d'une stratégie de sélection de voisins Top-K sémantiquement consciente. Cette stratégie évalue la pertinence sémantique entre un nœud central et ses arcs connectés au sein d'un espace latent partagé et sélectionne uniquement les arcs Top-K les plus pertinents. Ensuite, un agrégateur d'attention multi-têtes est utilisé pour fusionner efficacement les informations des arcs sélectionnés avec la représentation unique du nœud central afin de générer un message de nœud sémantiquement piloté. Par conséquent, notre modèle exploite non seulement la structure et les caractéristiques des arcs au sein du graphe de connaissances, mais capture et propage également avec plus de précision les informations contextuelles les plus pertinentes pour une tâche de prédiction de lien spécifique, atténuant ainsi efficacement les interférences dues aux informations non pertinentes. Des expériences approfondies démontrent que l’approche proposée surpasse les méthodes existantes sur plusieurs critères de référence existants.
