论文阅读：图神经网络应用于知识图谱推理的研究综述

论文链接：图神经网络应用于知识图谱推理的研究综述

一、知识推理研究进展

（1）知识图谱以节点和边的图结构存储数据，GNN可以有效整合知识图谱结构特征及属性特征，通过节点的领域信息聚合并更新节点，利用其强大的信息传播能力学习数据间的语义关系和潜在信息，使其可以很好地学习知识推理中的节点信息、节点间关系信息以及全局结构信息。

（2）知识推理：根据初步构建的知识图谱中实体和关系所蕴含的信心，利用相关算法，推理出知识图谱中缺失的实体或缺失的关系。

实体预测：利用已有事实的关系及一个实体，推理出另一个实体并由此构成完整三元组。

关系预测：推理给定的头尾实体之间的关系。

（3）知识推理从结构上分为局部任务和全局任务。

局部任务：节点分类、链接预测、知识补全......

全局任务：子图匹配、子图分类、图趋势预测......

（4）知识推理方法

1.基于逻辑规则的推理

基本思想：借鉴传统知识推理中的规则推理方法，在知识图谱上运用简单规则或统计特征进行推理。

2.基于表示学习的推理

基本思想：找到一种映射函数，将语义网络中的实体、关系和属性映射到低维实值向量空间以获得分布式表示，进而捕获实体和关系之间的隐式关联。

3.基于神经网络的推理

基本思想：将前文所述的表示学习方法通过多个非线性表示层组合起来，再对其深度特征进行表示，进而开展知识推理。

4.基于图神经网络的推理

基本思想：通过图卷积的方式来聚合相邻节点的信息（包括语义信息和结构信息），得到节点表示进行推理。

二、基于图神经网络的知识推理研究

（1）图神经网络模型

输入层：将图形结构和节点内容信息作为输入。

图卷积层：通过聚合相邻节点的特征信息得到每个节点的隐藏表示。

激活函数层：通过激活函数层进行非线性交换，得到新的图的表示。

输出层：通过多次图卷积层和激活函数层，将得到每个节点的最终表示作为输出。

训练框架：可以在端到端学习框架内以（半）监督或无监督的方式训练，具体取决于学习任务和可用的标签信息。

执行任务：知识推理的节点分类、节点标签预测等节点级任务。

（2）基于图神经网络的KR模型（边级任务）

输出层：将GNN中两个节点的隐藏表示作为输出。

执行任务：可利用相似性函数或神经网络来预测边的标签或连接强度等，执行边分类和链接预测等任务。

（3）基于图神经网络的知识推理模型（全局任务）