R-GCN: Modeling Relational Data with Graph Convolutional networks
1. 简介
RGCN是专门为处理具有高度多关系数据特征的现实数据库而开发的(The highly multi-relational data characteristic of realistic
knowledge bases ),是针对局部邻居信息进行聚合的GCN在大规模关系数据上的扩展,关系图卷积网络RGCN在链接预测和节点分类两个任务上都取得了效果。
2. 方法
借鉴于GCN的方法:
其中表示节点的传入消息集合,通常为入度的边缘集。可以是类似神经网络的函数,也可以是简单的线性转换。
这种方式可以有效地聚合编码局部邻域结构的特征,并且在图分类和基于图的半监督学习等任务中表现出了很好的效果。
受上述架构的启发,作者定义了如下的RGCN消息传播模型:
RGCN是一个message-passing的框架,从公式看出,在一次汇聚时不仅考虑邻居还加入self-loop,RGCN将每一种边当成一个参数矩阵进行学习,因此存在一个效率上的问题便是随着边类型增多,参数量会越来越大。
由于带来参数化巨大的问题,RGCN提出了一种降低参数量的方法,两种对RGCN层进行规则化Regularization方法:
1、对进行基数分解
2、对进行块对角分解
3.作用
- Node Classification
在用作节点分类的优化函数:
分类示意图如下:
- Link Prediction
RGCN在解决Link Prediction任务时采用的是一种encoder-decoder架构,decoder阶段就是一个Scoring function,在RGCN论文中选用的是DistMult。优化函数如下:
预测结构示意图如下:
4. 代码
RGCN是较早提出利用GCN来解决图结构中不同边关系对节点的影响,在进行信息汇聚更新时,充分考虑节点之间的Edge(关系)对于节点表征的影响。
Node classification code: https://github.com/tkipf/relational-gcn
Link prediction code: https://github.com/MichSchli/RelationPrediction
评论区