知识补全中图卷积网络的再思考Rethinking Graph Convolutional Networks in Knowledge Graph Completion阅读笔记

知识补全中图卷积网络的再思考Rethinking Graph Convolutional Networks in Knowledge Graph Completion阅读笔记

1.研究背景

• 知识图谱通常不完整，手动查找成本高，需要自动补全技术，很多KGE算法被用来做知识补全
• GCN在图结构数据中应用广泛，能在考虑实体基础上考虑关系，被认为能够提高KGE的性能
• 基于GCN的知识补全模型表现并不如最先进的KGE模型，却引入了额外的计算复杂度，值得思考“GCN在知识补全中的真正优势是什么？”

2.预先工作

• 基于图卷积网络的知识补全模型的通用架构
  
  GCN作为编码器，通过充分捕捉图结构来生成实体和关系的表示，KGE模型作为解码器，根据GCN生成的表示来尽可能恢复（即补全）知识图结构

3.实验设置（探索GCN的优势的实验）

3.1 模型介绍

编码器方面，以三个代表性GCN模型为研究对象：

• RGCN（Relational-GCN）
• WGCN（Weighted-GCN）
• CompGCN
  总结上述三个典型模型，得到实体、关系的嵌入的更新过程如下：
  （1）聚合图邻域信息（即捕捉图结构信息）
  （2）对聚合后的实体表示进行变换
  （3）对关系表示进行变换
  解码器方面，也使用三种流行的模型作为研究对象：
• TransE
• DistMult
• ConvE

3.2 损失函数

二元交叉熵

其中y(h,r,t)是三元组的标签，也就是“真”或者“假”，这里用标签平滑将标签处理为[0,1]间的