CompGCN阅读笔记

原文地址：

​​​​​​https://arxiv.org/abs/1911.03082https://arxiv.org/abs/1911.03082

目录

主体思想：不但聚合邻居信息，更进一步把关系一起聚合进来

回顾GNN-GCN-RGCN/GAT发展线（参考链接）：

GNN

GCN

 R-GCN

 GAT

---

主体思想：不但聚合邻居信息，更把关系本身一起聚合进来

回顾GNN-GCN-RGCN/GAT发展线（参考链接）：

GNN

GCN

G = (V, E, X )

        解决平均法存在的问题。对称归一化，加入每个邻居的度的影响作为权重分配，度越大分配给你的信息赋权越低。

 

 R-GCN

G = (V, R, E, X )

Here, Wk_r denotes the relation specific parameters of the model. 

        对不同的关系进行了分开处理。

        如果没记错的话，基向量组合和块矩阵分解两种减参方法也是这里提出来的。

To address this issue, we introduce two separate methods for regularizing the weights of R-GCN-layers: basis and block-diagonal-decomposition.（2.2 Regularization）

 GAT

关系赋权

CompGCN设计 

G = (V, R, E, X , Z)

Z ∈ R |R|×d0 denotes the initial relation features

更新方程：

 

 实验

-best performing model ：(ConvE + COMPGCN (Corr))