斯坦福图机器学习CS224W笔记自用：Heterogeeneous Graphs and Knowledge Graph Embeddings

Todays’Goals:

• 到目前为止，我们只处理一种边类型的图
• 如何处理具有多种边类型的(有向)图(又称异构图)？

Heterogeneous Graphs（异构图）：

• Relational GCNs
• Knowledge Graphs
• Embeddings for KG Completion

1. Heterogeneous Graphs and Relational GCN(RGCN)

1.1 Heterogeneous Graphs

异构图由以下四元组定义：
$$G=(V,E,R,T)$$

• 具有节点类型的节点$v_i\in V$
• 具有关系类型$(v_i,r,v_j)\in E$ 的边
• 节点类型 $T(v_i)$
• 关系类型 $r\in R$

现实生活中有许多图都是异构图：

1.2 Relational GCN

我们将扩展GCN来处理具有多种边/关系类型的异构图，我们从一个只有一个关系的有向图开始

• 我们如何运行GCN并更新这个图上目标节点A的表示？
• A single GNN layer
• Classical GNN Layers: GCN
  
• Relational GCN
  • 如果图形有多种关系类型，则对不同的关系类型使用不同的神经网络权重

1. RGCN的定义

   • Relational GCN（RGCN）
     $$h_v^{(l+1)}=\sigma (\sum _{r\in R}\sum _{u\in N_v^r}\frac{1}{c_{v,r}}{W}_r^{(l)}{h}_u^{(l)}+W_0^{(l)}{h}_v^{(l)})$$
   • Message:
     • 给定关系的每个邻居:
       $$m_{u,r}^{(l)}=\frac{1}{c_{v,r}}{W}_r^{(l)}{h}_u^{(l)}$$
     • Self-loop:
       $$m_v^{(l)}=W_0^{(l)}{h}_v^{(l)}$$
   • Aggregation:
     • 对来自邻居和自循环的消息求和，然后应用激活
     • h v ( l + 1 ) = σ ( S u m ( { m u , r ( l ) , u ∈ N ( v ) } ∪ { m v ( l ) } ) ) h_v^{(l+1)}=\sigma (Sum(\{m_{u,r}^{(l)}, u \in N(v) \}\cup \{ m_v^{(l)}\})) hv(l+1)​=σ(Sum({mu,r(l)​,u∈N(v)}∪{mv(l)​}))

2. RGCN的可拓展性

   • 每个关系都有L（L是神经网络的层数）个矩阵：$W_r^{(1)}，W_r^{(2)}...W_r^{(L)}$
   • 每个$W_r^{(l)}$的大小是$d^{(l+1)}\times d^{(l)}$, 其中$d^{(l)}$是隐藏层l的维数
   • 每一层，每一种关系类型都有一个这样的矩阵，参数数量随着不同关系类型的数量而快速增长，会导致过拟合问题，同时，模型太大，也会导致无法训练
   • 减少RGCN模型参数$W_r^{(l)}$的两种方法
     • 使用分块对角矩阵
     • Basis/Dictionary learning

3. 分块对角矩阵

   • 关键思想：把权重变稀疏
   • 使权重矩阵变稀疏的方式是强制执行，使该矩阵具有对角线结构，变成块对角矩阵$W_r$
   • 如果使用B个低维矩阵，则参数从$d^{(l+1)}\times d^{(l)}$减少到$B\times \frac{d^{(l+1)}}{B}\times \frac{d^{(l)}}{B}$，我们可以更快的训练模型，减少过度拟合，训练出更健壮的模型。
   • 但是，使用这种方法，只有附近的神经元或 在同一块中的神经元可以互相交换信息，因此，相距较远的神经元的交流可能需要多层传播，RGCN需要设计得更加深入。

4. Basis Learning

   • 关键思想：在不同的关系类型间共享权重。
   • 实现共享权重的方法是，将每个关系的矩阵表示为基变换的线性组合$W_r={\sum }_{b=1}^B{a}_{rb}\cdot V_b$，其中$V_b$在所有关系中共享
     • $V_b$是基本矩阵，也称为字典，基础学习也被称为字典学习。
     • $a_{rb}$是矩阵$V_b$的重要权重
   • 现在每个关系只需学习 { a r b } b = 1 B \{a_{rb}\}_{b=1}^B {arb​}b=1B​ ，即B个标量。

5. RGCN应用于实体/节点分类问题

• 目标：预测给定节点的标签
• RGCN使用最终层的表示：
  • 如果我们从k个类中预测节点A的类型，我们取最后一层(预测头):$h_A^{(L)}\in {\mathbb{R}}^k$，$h_A^{(L)}$中每个数代表了每个类别的可能性

6. RGCN应用于链接预测

• 难点：每个链接具有不同的类型
• 基本思想：链接拆分
  对于每一种关系类型，我们将其拆分成训练消息边集、训练监督边集、验证边集、测试边集，然后再合并所有关系类型的这四个集合
• RGCN训练过程
  • 边评分函数
  • 训练：采用负采样创建负边缘，训练木目标是使得训练监督边的分数尽量高，负边缘的分数尽量低 注意：现有的训练消息边缘或训练监督边缘不能为负边缘。
  • 验证

7. 总结
   • 关系GCN是一种用于异构图形的图形神经网络，可以执行实体分类以及链接预测任务。
   • 我们可以采用之前的思想扩展RGNN (RGraphSAGE，RGAT等)，增强RGCN的准确度。

2. Knowledge Graphs: KG Completion with Embedding

2.1 Knowledge Graphs (KG)

知识图谱是图形式的知识，它捕获实体，类型和关系。

• 节点是实体
• 节点用它们的类型标记
• 两个节点之间的边捕获实体之间的关系
• KG是异构图的一个实例
  
  Example：
  • 文献网络
    • 节点类型:论文、标题、作者、会议、年份
    • 关系类型:pubWhere、pubYear、hasTitle、hasAuthor、cite
  • 生物知识网络
    • 节点类型:药物、疾病、不良事件、蛋白质、途径
    • 关系类型:has_func、causes、assoc、treats、is_a

实践中的知识图谱：

• 谷歌知识图
• 亚马逊产品图
• Facebook Graph API
• IBM Watson
• 微软Satori
• Project Hanover/Literome
• LinkedIn Knowledge Graph
• Yandex Object Answer

知识图谱的应用：

• 提供信息
• 问答和对话代理
  
  知识图谱数据集：
  现在有许多公开可用的知识图谱数据集，例如FreeBase, Wikidata, Dbpedia, YAGO, NELL等，这些数据集有两个共同的特点，
  1. 庞大，有数百万个节点和边
  2. 不完整:许多真正的边丢失
     Example: Freebase
• Freebase
  • 约8000万个实体
  • 约38K个关系类型
  • 约30亿个事实/三元组
  • 但是，还有93.8%来自Freebase的人没有出生地，78.5%没有国籍！显然，这些知识图是不完整的
• Datasets：FB15k/FB15k-237
  • 是Freebase的完整子集，研究人员用来学习KG模型

2.2 Knowledge Graph Completion: TransE，TransR，DistMul，ComplEx

2.2.1 KG Completion Task

任务：对于给定的(头部，关系)，我们预测丢失的尾部
- 请注意，这与经典的链接预测任务略有不同，这里我们只对特定节点的特定关系感兴趣

• 这里我们使用浅层编码器计算每个节点的嵌入
• KG Representation
  • 知识图谱中的边被表示成一个三元组(h, r ,t)，即head $(h)$ has relation $(r)$ with tail $(t)$
  • key Idea
    • 对嵌入/向量空间${\mathbb{R}}^d$中的实体和关系进行建模：用浅嵌入关联实体和关系。注意，我们在这里学习的不是GNN！
    • 给定一个真正的三元组$(h,r,t)$，目标是$(h,r)$的嵌入应该接近于$t$的嵌入
      • 如何嵌入$(h,r)$?
      • 如何定义closeness?

2.2.2 TransE

• Translation Intuition: 对于一个三元组$(h,r,t)$，$h,r,t\in {\mathbb{R}}^d$，如果存在这样的关系$h+r\approx t$，否则，$h+r\ne t$，评分函数为：$f_r(h,t)=-||h+r-t||$
• TransE学习算法：实体和关系被统一初始化并规范化，负采样 KG中未出现的三元组，采用对比损失，训练目标是对于有效的三元组，倾向于较低的距离(或较高的分数)，对于损坏的三元组，倾向于较高的距离(或较低的分数)
  
  那么，这种方法可以学习什么样的关系呢？在知识图谱中，关系具有不同的属性。
• KG中的连接模式
  • 异构KG中的关系具有不同的属性，比如：
    • 对称/反对称关系
      $r(h,t)\Rightarrow r(t,h)(r(h,t)\Rightarrow \neg r(t,h))\forall h,t$
    • 逆关系：如果边$(h,"Advisor",t)$在KG中存在，那么边$(t,"Advisee",h)$ 在KG中也存在
    • 复合(传递)关系：
      $r_1(x,y)\wedge r_2(y,z)\Rightarrow r_3(x,z)\forall x,y,z$，例如，我妈妈的丈夫是我的爸爸
    • 一对多关系
      $r(h,t_1),r(h,t_2),...,r(h,t_n)$ are all True，例如，r是Studentsof的关系
  • 我们能对这些关系模式进行分类吗？
  • KG嵌入方法(例如TransE)的表达能力是否足以对这些模式进行建模？
• 关系模式 (Relation Patterns)
  • TransE中的反对称关系
    • $(r(h,t)\Rightarrow \neg r(t,h))\forall h,t$
    • example: 上位词
    • TransE可以建模反对称关系
  • TransE中的逆关系
    • TransE可以建模逆关系
  • TransE中的复合关系
    • TransE可以建模复合关系
  • TransE的局限 :对称关系
    • TransE不可以建模对称关系
  • TransE的局限 :一对多关系
    • TransE不可以建模一对多关系

2.2.3 TransR

TransE中任何关系的平移都在同一嵌入空间中进行建模。TransR将实体建模为实体空间 ${\mathbb{R}}^d$ 中的向量，并将每个关系建模为具有投影矩阵$M_r\in {\mathbb{R}}^{k\times d}$的关系空间$r\in {\mathbb{R}}^k$中的向量，使用$M_r$将实体向量从实体空间${\mathbb{R}}^d$投影到关系空间${\mathbb{R}}^k$。

• TransR中的对称关系
  TransR可以建模对称关系，他将具有对称关系的两个实体映射到关系空间上的同一位置，这两个节点在实体空间里仍然是不同的实体。注意：不同的对称关系可能有不同的对称矩阵。
• TransR中的反对称关系
  TransR可以建模反对称关系。
• TransR中的一对多关系
  TransR可以建模一对多关系。TransR学习矩阵$M_r$使得$t_1$，$t_2$映射到关系空间的同一点。
• TransR中的逆关系
  TransR可以建模逆关系。
• TransR中的复合关系
  TransR可以建模复合关系。TransR用线性函数对三元组进行建模，它们是可链接的。
  背景知识：矩阵$M$的核空间
  组合关系：
  可以推出：
  
  因此，TransR可以建模组合关系。

2.2.4 DistMult

• 新的思想：双线性模型
  TransE和TransR中的的评分函数$f_r(h,t)$是L1/L2距离的负值，另一种KG嵌入方法DistMult采用双线性建模：实体和关系是空间${\mathbb{R}}^k$中的向量，评分函数$f_r(h,t)=<h,r,t>={\sum }_i{h}_i\cdot r_i\cdot t_i$，$h,r,t\in {\mathbb{R}}^k$。
  这里的评分函数可以看作$h\cdot r$和$t$的余弦相似性，$h\cdot r$定义了一个超平面，$h\cdot r={\sum }_i{h}_i\cdot r_i$。
• DistMult中的一对多关系
  DistMult可以建模一对多关系。
• DistMult中的对称关系
  DistMult可以自然的建立对称关系。
• DistMult的局限：反对称关系
  DistMult无法建模反对称关系。在DistMult的评分函数下，$r(h,t)$和r(t,h)总是具有相同的分数。
• DistMult中的局限：逆关系
  DistMult无法建模逆关系，形式上，它可以建模$r_2=r_1$的逆关系，但从语义上讲，这是没有意义的：“Advisor”的嵌入不应与“Advisee”相同
• DistMult中的局限：组合关系
  DistMult无法建模组合关系，DistMult为每个（head，relation）定义了一个超平面，但是由多跳关系引起的超平面的并集（例如$(r_1,r_2)$）不再是超平面。
  这里的超平面不太懂

2.2.5 ComplEx

基于Distmult，ComplEx在复向量空间中嵌入实体和关系。
注：$\bar{u}$和u互为共轭复数。
ComplEx的评分函数$f_r(h,t)=Re({\sum }_i{h}_i\cdot r_i\cdot \overline{t_i})$，$Re(\cdot )$表示取复数的实部。

• ComplEx中的反对称关系
  ComplEx可以用共轭复数建模反对称关系。
  
• ComplEx中的对称关系
  ComplEx可以建模对称关系。我们可以设r的虚部为0，有:
  • ComplEx中的逆关系
    通过令$r_1=\overline{r_2}$，ComplEx可以建模逆关系。
  • ComplEx中的组合关系和一对多关系
    CompleEx与DistMult共享相同的属性，无法建模组合关系可以建立一对多关系。

2.2.6 Summary

不同KG完成方法的特性和表现力：

• 不同的KG可能有截然不同的关系模式！
• 2.没有适用于所有KG的通用嵌入，我们可以依据上面的表格选择模型
• 3.如果目标KG没有太多对称关系，可以尝试TransE快速运行
• 4.然后再使用更具表现力的模型，例如CompleEx、RotatE（复杂空间中的TransE）