详解【异质图卷积网络 RGCN】回顾：图神经网络问题的三大处理步骤 | 从起源说起，RGCN核心公式解释，两种降低模型参数量/优化的方式，附核心代码实现讲解

 
书上说了，天下没有不散的宴席，但你别怕，书上还说了，人生何处不相逢。

 

【纯手工】优质讲解，码字不易，写作不易，走过路过，大家点个赞呗！

 

🎯作者主页： 追光者♂🔥

        

🌸个人简介：
 
💖[1] 计算机专业硕士研究生💖
 
🌿[2] 2023年城市之星领跑者TOP1(哈尔滨)🌿
 
🌟[3] 2022年度博客之星人工智能领域TOP4🌟
 
🏅[4] 阿里云社区特邀专家博主🏅
 
🏆[5] CSDN-人工智能领域优质创作者🏆
 
📝[6] 预期2023年10月份 · 准CSDN博客专家📝  
 

• 无限进步，一起追光！！！

        

🍎感谢大家 点赞👍  收藏⭐   留言📝！！！

        

🌿本篇，我们深入分析和学习RGCN的原理以及为何要这么做。首先让我们来回顾对于图神经网络问题的三大处理步骤，可以说，这是该深度学习模型的基本理解，后续都是在深化其中的细节处理。然后以容易理解的方式，引出异质图卷积网络RGCN的由来，主要讲解其核心公式和论文中作者所提出的两种降低模型参数量/优化的处理办法，并给出基础分解以及块对角分解的核心实现代码讲解。最后附上RGCN源代码及说明。

---

关于GCN，我在之前的文章中已经做了不止一次的详解，大家可以根据关键字在我主页检索学习。