KG-GNN

简介

知识图谱（Knowledge Graph，KG）自从2012年被google提出，由于其出色的表达能力，以及在节点分类、连接预测等任务上的出色表现，已经逐渐成为AI相关应用的重要一支。与此同时图神经网络（Graph Neural Network，GNN），作为近些年深度学习方面发展最为迅速的领域，在信息通讯处理上展现出其得天独厚的优势。知识图谱作为一种特殊的结构化数据，其本质也是图相关结构，因此，如何将KG与GNN相结合，成为了近几年知识图谱领域里一大热点。

1.知识图谱

KG的基础结构是传统三元组，即<h,r,t>，其中h代表头实体，r代表关系，t代表尾实体，头实体和尾实体作为两个节点，通过关系相连，因此，知识图谱以有向图的形式表示客观事物的关联性，经典的知识表示算法分为三大类：

a. 平移模型

将头尾实体看作空间内两个点，两点之间的矢量即为关系，头实体向量表示加上关系向量表示应等于尾实体向量表示以TransE为代表的平移模型都以此为基础。

b. 张量分解模型

张量分解模型将知识图谱看作一个大的三维张量，两维为实体表示，一维为关系表示，将每一个三元组对应的张量值都分解为实体表示和关系表示的矩阵形式，典型张量分解模型由Rescal。

c. 神经网络模型

利用CNN等神经网络模型对实体关系表示进行建模，如ConvE、ConvKB。

2.图神经网络

图由于其良好的信息交互能力，可以更好地对现实中的很多场景进行建模&