知识表示学习是用于知识图谱补全的重要技术。翻译模型作为知识表示学习的代表模型,因其参数少且容易解释,被广泛应用于大规模知识表示学习中。近几年,为了克服翻译模型孤立地考虑各个三元组的缺点,实体的邻居信息被引入到翻译模型中。然而现有模型缺乏合理的邻居选择策略,导致开销过大且容易引入噪声,或者容易遗漏重要邻居。同时,现有模型忽视了邻居作为实体也具有多种属性,只能为每个邻居确定一个固定的权重,无法为邻居中的众多属性确定不同的权重。这些问题导致现有模型难以高效利用邻居信息提高建模实体向量和关系向量的质量。为解决上述问题,提出了一种基于邻居筛选的翻译模型TransMIA。针对引入全部邻居带来的开销过大及随机选择邻居会遗漏重要邻居的问题,TransMIA通过设计一种基于互信息的邻居选择策略,来计算邻居与实体所在三元组中关系之间的互信息,并根据该计算结果确定邻居与实体所在三元组的关联程度,为实体选择与其所在三元组最相关的N个邻居。同时,TransMIA为实体设置多个邻居集合。当实体与不同的关系连接时,能够为实体选择不同的邻居,分别加入到对应的邻居集合中,充分建模实体语义。针对现有模型只能为每个邻居确定一个固定权重的问题,TransMIA设计了一种关注邻居属性的注意力机制。该机制首先为邻居确定一个固定的权重,然后根据邻居与实体相连关系,在模型训练过程中调整邻居向量中各个维度的权重,最终为邻居向量的每个维度确定不同的权重,从而突出邻居中对建模实体和三元组语义最重要的属性,有利于充分利用邻居信息。实验表明,TransMIA模型提高了建模实体和关系向量的质量。在链接预测任务上,TransMIA模型在不同数据集上的MRR指标提升了2.3%～45.7%,Hits@10指标提升了1.2%～36.1%。在三元组分类任务上,TransMIA模型在不同数据集上的分类准确率提升了0.9%～13.9%。通过对邻居进行筛选,TransMIA模型能够更好地利用邻居信息,进而优化知识表示学习得到的向量,实现在下游应用中取得更好性能的目标。