GNN in KG(三) Logic Attention Based Neighborhood Aggregation for Inductive Knowledge Graph Embedding

本文发表在AAAI2019，作者来自Sun Yat-sen University，Tencent AI Lab，Wuhan University。
经过了前两篇论文的学习，现在我们知道了GK embedding分为encoder和decoder两部分。而融合了图神经网络的encoder有更大的创新空间，GNN的聚合方式影响了GNN的性能。本文认为，一个理想的聚合器应该具有以下所需的属性：

• Permutation Invariant。这也是GNN中的一个基本的性质，即：聚合与邻域节点的顺序无关。
• Redundancy Aware。KGs中的事实往往是相互依赖的。例如，一个人在芝加哥公牛队打球总是暗示他/她是篮球运动员。利用实体邻域中的这种冗余是有益的，从而使聚合提供信息。好的聚合器应该能利用这种非显示的冗余信息。
• Query Relation Aware。对于常见的KG补全任务，查询关系是预先给出的，例如live_in。一个聚合者可能会利用这些信息集中在附近的相关事实，例如，“play for” Chicago Bulls。这条性质和上一条有所区别，因为live_in这个关系并不一定真的与play_for有很强烈的因果或是包含关系，二者只是有一定的概率一同出现。结合后文的算法，这条性质应该旨在说明聚合器需要建模不同关系之间的概率关系。