GNN in KG(一) Modeling Relational Data with Graph Convolutional Networks，ESWC2018

本文作者来自University of Amsterdam，Kipf作为共同一作。其实ESCW只是CCF C类会议，不过外国人当然不看CCF啦。这是本系列的第一篇，做了一阵子GNN的理论研究，当然也需要落地；本来实验室就是做知识图谱相关工作的，因此以后要结合起来去做。
本文主要针对知识图谱补全的两个基础任务：link prediction和entity classification。前者补全三元组，后者补全实体的属性。本文主要贡献如下：
第一个证明GCN框架可以应用于关系数据建模，特别是链接预测和实体分类任务。其次，引入了参数共享和加强稀疏约束的技术，并利用它们将R-GCNs应用于具有大量关系的多图。最后，以DistMult为例，证明了因子分解模型的性能可以通过在关系图中执行多个信息传播步骤的编码器模型来丰富它们。

Neural relational modeling

Relational graph convolutional networks

与GNN有一些差别，因为需要定义关系，所以在定义消息传递框架时采用如下的公式：