论文浅尝 | 消息传递神经网络真的有助于知识图谱补全吗？

笔记整理：郭荣辉，天津大学硕士，研究方向为知识图谱

链接：https://aclanthology.org/2023.acl-long.597/

1、引言

本文发现基于消息传递机制的模型在KGC任务中，消息传递并不是KGC性能提升的最主要原因。

由于KGs固有的图结构，图神经网络( Graph Neural Networks，GNNs )被用来学习实体和关系的嵌入，从而促进KGC。现有的基于MPNN的GNN模型通过在图上的消息传递( Message Passing，MP )过程来更新节点特征，其中每个节点从其邻居收集并转换特征。本文发现，将RGCN、CompGCN和KBGAT模型中的MP替换为简单的MLP，仍然达到了相当的性能。更进一步的，本文仔细研究了这些基于MPNN的模型，发现它们在其他关键组件，如评分函数和损失函数方面也有所不同。为了更好地研究这些组件对模型的贡献，本文进行了综合实验来证明每个组件的有效性。结果表明，评分函数和损失函数的影响更大，而 MP 几乎没有贡献。基于此研究结果，本文开发了建立在 MLP 基础上的集合模型，与基于 MPNN 的模型相比，这些模型能够获得更好的性能；考虑到 MLP 相对于 MPNN 在可扩展性方面的优势，这些研究结果在实践中具有强大的意义。

<