本文主要是介绍TransGCN：Coupling Transformation Assumptions with GCN for Link Prediction阅读笔记，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
- 研究现状
| TransE、TransD、TransR | 基于平移的方法 | 针对单个三元组进行训练 |
| A Three-Way Model for Collective Learning on Multi-Relational Data（2011） | 基于语义匹配的方法 | |
| Embedding entities and relations for learning and inference in knowledge bases.（2014） | ||
| Complex embeddings for simple link prediction（2016） | ||
| RotatE: Knowledge Graph Embedding by Relational Rotation in Complex Space（2019） | ||
| Modeling relational data with graph convolutional Networks（2018） | 考虑局部邻域的结构信息 |
- 解决问题
本文针对链接预测问题，在R-GCN基础上进行改进：
- 提出一种转换假设，将KG中的异构邻域转换为同构邻域（本文借助的是TransE和RotatE模型）；
- 开发了一种新的基于GCN的知识图谱编码框架TransGCN，可对实体嵌入和关系嵌入同时编码。（R-GCN只对实体嵌入进行学习）
- 系统模型
本文共有两种模型：TransE-GCN和RotatE-GCN
系统的工作流程为：
- 在不同的模型中采用不同的方法将中心节点的异构邻域转换为同构邻域
- 将具有关联关系的邻近节点聚合成消息传播到中心节点，有利于实体嵌入学习以及关系嵌入学习
- 最后通过译码器得到预测结果
- 实验结果
实验采用的数据集为FB15K-237和WN18RR
实验结果如下：
本文考虑了实体的度对系统性能的影响，在开始两种模型的性能都随着度大小的增加而有很大的提高，但在达到一定的阈值后，性能显著下降
本文还分析了系统模型对多跳邻居预测性能
这篇关于TransGCN：Coupling Transformation Assumptions with GCN for Link Prediction阅读笔记的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
