基于知识嵌入的图卷积网络
机器学习
2021-04-26 v2 机器学习
摘要
近年来，围绕图卷积网络（GCN）主题的文献大量涌现。如何有效利用复杂图中的丰富结构信息，例如具有异构类型实体和关系的知识图谱，是该领域一个主要的开放挑战。大多数GCN方法要么局限于具有同质类型边的图（例如，仅引用链接），要么仅关注节点的表示学习，而非为了目标驱动的目的联合传播和更新节点与边的嵌入。本文通过提出一种新颖的框架，即基于知识嵌入的图卷积网络（KE-GCN），来解决这些局限性。该框架结合了GCN在图基置信传播中的能力以及先进知识嵌入（亦称知识图谱嵌入）方法的优势，并超越了它们。我们的理论分析表明，KE-GCN以图卷积的新视角，将几种著名的GCN方法优雅地统一为特例。在基准数据集上的实验结果表明，KE-GCN在知识图谱对齐和实体分类任务中，相较于强基线方法具有优越的性能。
引用
@article{arxiv.2006.07331,
title = {Knowledge Embedding Based Graph Convolutional Network},
author = {Donghan Yu and Yiming Yang and Ruohong Zhang and Yuexin Wu},
journal= {arXiv preprint arXiv:2006.07331},
year = {2021}
}
备注
WWW 2021