这篇博客探讨了异质知识图谱的研究焦点，即如何处理多关系知识图谱。RGCN（关系图卷积网络）作为一种消息传递框架，专门用于处理具有丰富关系数据的现实世界数据库。它通过为每种关系定义独立的参数矩阵来捕捉节点和关系信息，但在边数量增加时可能导致参数量增大。为解决这一问题，RGCN提出了正则化策略，如参数分解和块对角分解，以降低模型复杂性。该模型在链接预测和节点分类任务上表现出色。
1.异质知识图谱研究的对象便是如何处理多关系知识图谱？
个人理解：多relation知识图谱中modeling在做node表征时需要充分考虑relation,也就是边对于实体表征的作用
2.如何合理充分结合node and relation信息提高表征能力？
**answer:**RGCN是一个messages-passing[消息传递]=框架
[R-GCN–Modeling Relation data with Graph Convolution networks]
RGCN是专门处理具有高度多关系数据特征的现实数据库而开发
是针对局部邻居信息进行聚合的GCN在大规模数据上的扩展
function:
RGCN[关系图卷积网络]：在链接预测和节点分类两个任务上都取得效果
solution:
1. RGCN将每一种边当成一个参数矩阵，进行学习,在边增多的时候，参数量也会越来越大
2. 存在参数巨大化，如何减低参数量，GRCN提出regularization规则化的方法：
regularization规则化：
1.对参数进行技术分解，2.对参数进行块对角分解
扫一扫
1365
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
