Modeling Relational Data with Graph Convolutional Networks
使用图卷积网络建模关系数据
发表于 [stat.ML] 26 Oct 2017
摘要:知识图支持各种各样的应用,包括回答问题和信息检索。尽管在它们的创建和维护上投入了巨大的努力,即使是最大的(例如Yago、DBPedia或Wikidata)也仍然不完整。我们引入了关系图卷积网络(R-GCNs),并将其应用于两个标准知识库完成任务:链接预测(恢复缺失事实,即主体-谓词-对象三元组)和实体分类(恢复缺失的实体属性)。RGCNs与最近一类基于图的神经网络有关,是专门为处理现实知识库的高度多关系数据特征而开发的。我们证明了R-GCNs作为实体分类的独立模型的有效性。我们进一步证明,通过添加一个编码器模型,在关系图中的多个推理步骤中积累证据,可以显著改进DistMult等链接预测的因子分解模型,证明FB15k-237比仅使用解码器的基线提高了29.8%。
本文实体分类模型在图中的每个节点上使用softmax分类器。分类器采用关系图卷积网络(R-GCN)提供的节点表示,并预测标签。该模型包括R-GCN参数,通过优化交叉熵损失来学习。
我们的链接预测模型可以看作是一个自编码器,包括:(1)编码器:产生实体潜在特征表示的R-GCN,和(2)解码器:利用这些表示的张量分解模型预测标记边缘。虽然原则上解码器可以依赖任何类型的因子分解(或通常任何评分函数),但我们使用最简单和最有效的因子分解方法之一:DistMult 。
我们的模型主要是作为GCNs的扩展,它操作于从局部图邻居节点到大规模关系数据。