【GNN】R-GCN：GCN 在知识图谱中的应用

最新推荐文章于 2025-03-30 17:49:17 发布

阿泽的学习笔记

最新推荐文章于 2025-03-30 17:49:17 发布

阅读量1.4w

点赞数 10

分类专栏：人工智能 GNN Embedding 文章标签：人工智能机器学习深度学习图神经网络 GCN

本文链接：https://blog.csdn.net/qq_27075943/article/details/106652296

版权

本文介绍了R-GCN，一种适用于关系网络的图卷积网络模型，尤其在知识图谱的链接预测和实体分类任务中。R-GCN通过考虑边的类型和方向，扩展了GCN的框架。文章详细阐述了R-GCN的前向传播模型、正则化策略以及在实体分类和链接预测任务中的应用。实验结果表明，R-GCN在多个数据集上表现出良好的性能。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

关注公众号跟踪最新内容：阿泽的学习笔记。

阿泽的学习笔记

今天学习的是阿姆斯特丹大学 Michael Schlichtkrull 大佬和 Thomas N. Kipf 大佬于 2017 年合作的一篇论文《Modeling Relational Data with Graph Convolutional Networks》，目前引用超 400 次，虽然这篇文章只是发到了 C 类会议，但论文中提出的 R-GCN 无疑开创了使用 GCN 框架去建模关系网络的先河。(只发到 C 可能是因为 R-GCN 表现不太好)

这篇论文主要有两大贡献：

证明了 GCN 可以应用于关系网络中，特别是链接预测和实体分类中；
引入权值共享和系数约束的方法使得 R-GCN 可以应用于关系众多的网络中。

1.Introduction

存储知识的知识库常用于多种应用，包括问答、信息检索等。但即使是最大的知识库（如Yago、Wiki等）也存在很多缺失信息，这种不完整性会影响到下游应用。而预测知识库中的缺失信息是统计关系学习（statistical relational learning，以下简称 SRL）的主要内容。

假设知识库主要以三元组的形式（主语、谓语、宾语）进行存储。比如说，Mikhail 在 Vaganova 学院上学，我们把 Mikhail 和 Vaganova 学院称为实体，受教育称为关系，每个实体会有自己的类型，这样便构成一张知识网络：

这篇论文主要考虑两个任务，包括链接预测和实体分类。在这种情况下，可以对很多缺失信息进行补全，比如说：知道 Mikhail 在 Vaganova 学院受过教育，我们便可以知道他居住在俄罗斯（RUS），并且有自己的 label （如图中红色部分）。

根据这种想法，作者设计了一个编码器模型，并将其应用于这两个任务中，简单来说：

对于实体分类来说，将在编码器后面接一个 softmax 分类器用于预测节点的标签；
对于链路预测来说，可以后面接一个解码器，将分类器视为自编码器，从而完成节点的预测。

2.R-GCN

2.1 RGCN

首先，目前的 GCN 可以视为一个简单可微的消息传递框架的特殊情况：
$h_i^{l+1} = \sigma \bigg( \sum_{m\in M_i} g_m(h_i^{l}, h_j^l ) \bigg) \\$
其中， $h_i^l$ 表示隐藏层 l 的节点 $v_i$ ； $g_m(\cdot,\cdot)$ 表示消息传入； $\sigma(\cdot)$ 表示激活函数。