论文浅尝 | ICLR2020 - 基于组合的多关系图卷积网络

论文笔记整理：吴锐，东南大学计算机学院硕士。

---

 

     

来源：ICLR 2020

链接：https://arxiv.org/pdf/1911.03082.pdf

 

动机

 

目前针对于GCN的研究大多数都关注在学习无向图的结点表示上，然而我们在研究中更常见的通常是多关系图，例如知识图谱。因此，目前的大多数方法都无法直接应用在link prediction这一类需要对关系进行embedding表示的任务上。

KG-embedding的相关研究表明可以对边和结点的表示进行联合学习，但这些方法通常都受限于以link prediction为目标来学习embedding。虽然GCN能够以特定任务为目标进行学习，但其大多数应用都被限制在无关系图上。因此，本文考虑使用KG-embedding技术来学习特定任务下的关系和结点的embedding表示，COMPGCN应运而生。COMPGCN通过联合学习多关系图中的关系与结点的向量表示来解决了传统GCN所遇到的困难。主要贡献有以下几点：

1. 提出COMPGCN，能够在GCN中对多种关系信息进行组合；

2. 证明了CompGCN可以推广出已有的多关系GCN，并且可以随着关系数量的增长而不断扩展；

3. 通过实验证明了方法的有效性。

 

背景知识

 

作者首先对一些背景知识进行了叙述，主要为针对无向图的GCN以及其对于有向图的扩展。无向图的表示如下：

             

其中V表示顶点集合，E表示边的集合，X则表示每个结点的输入特征。传统的单层的GCN可以得到如下的结点表示：