TransGCN：将变换假设与图卷积网络耦合用于链接预测
机器学习
2019-10-03 v1 计算与语言
机器学习
摘要
链接预测是一项重要且被频繁研究的任务，有助于在统计关系学习中理解知识图谱（KGs）的结构。受图卷积网络（GCN）在建模图数据方面成功的启发，我们提出一个统一的 GCN 框架，名为 TransGCN，以解决该任务，其中关系与实体嵌入被同时学习。为处理 KGs 中的异构关系，我们引入一种表示异构邻域的新方法，通过对三元组的主语、关系与宾语之间的关系引入变换假设。具体而言，关系被视为将头实体变换为尾实体的变换算子。我们的框架中探索了 TransE 中的平移假设与 RotatE 中的旋转假设。此外，与最先进模型（如 R-GCN）仅在基于卷积的编码器中学习实体嵌入而在解码器中学习关系嵌入不同，TransGCN 框架在图卷积操作期间同时训练关系嵌入与实体嵌入，因此与 R-GCN 相比具有更少的参数。实验表明，我们的模型在 FB15K-237 和 WN18RR 上均优于最先进方法。
引用
@article{arxiv.1910.00702,
title = {TransGCN:Coupling Transformation Assumptions with Graph Convolutional Networks for Link Prediction},
author = {Ling Cai and Bo Yan and Gengchen Mai and Krzysztof Janowicz and Rui Zhu},
journal= {arXiv preprint arXiv:1910.00702},
year = {2019}
}