【论文解读 ESWC 2018 | R-GCN】Modeling Relational Data with Graph Convolutional Networks

论文题目：Modeling Relational Data with Graph Convolutional Networks

论文来源：ESWC 2018

论文链接：https://arxiv.org/abs/1703.06103

代码链接：https://github.com/tkipf/relational-gcn

关键词：知识图谱，GCN，基函数分解，块对角分解

---

---

提出关系图卷积网络(R-GCNs)，用于两个知识库的补全任务：链接预测、实体分类(恢复丢失的实体属性)。

1 引言

知识图谱中存储了大量的知识，可用于问答系统、信息检索等下游任务。但是许多知识图谱都是不完备的，例如DBPedia、Wikidata、Yago，有许多信息的缺失，这会影响其在下游任务中的应用。预测知识库中缺失的信息是统计关系学习(SRL)的主要研究内容。

考虑两个基本的SRL任务：链接预测(恢复缺失的三元组)、实体分类(为实体分配类型或类别属性)。

许多缺失的信息都是隐含在通过邻居结构编码的图中。作者从这一思想出发，设计了一个编码器，编码关系网络中的实体，并应用于这两个任务中。

实体分类模型：对图上的每个节点使用softmax分类器，R-GCN得到的节点表示作为分类器的输入。这个模型以及R-GCN的参数都是通过优化交叉熵损失学习得到的。

链接预测模型：可视为由一个encoder和一个decoder组成的自编码器。

1）encoder：R-GCN为实体生成隐层的特征表示；

2）decoder：张量的分解模型，利用encoder生成的表示预测边的label。

按理说decoder可以使用任何一种形式的分解/打分函数，作者使用了最简单并最有效的分解方法：DistMult。

---

贡献

（1）第一个将GCN用于建模关系型数据的工作，尤其是针对链接预测和实体分类任务。

（2）在R-GCN中使用了参数共享和稀疏约束，应用于有大量关系的多个图。

（3）实验证明，以DistMult为例，使用一个在关系图中执行多步信息传播的encoder模型来丰富矩阵分解的模型，可以显著提高其性能。

2 神经关系建模

定义有向的且有标签的多个图为$G=(\mathcal{V}, \mathcal{E}, \mathcal{R})$，节点为$v_i\in \mathcal{V}$，有标签的边为$(v_i,r,v_j)\in \mathcal{E}, r\in \mathcal{R}$。

2.1 Relational Graph Convolutional Networks

模型的动机是使用图中局部的邻居信息，将GCN扩展到大规模的关系型数据中。可以理解成是一个简单可微的消息传递框架：

其中$\mathcal{M}_i$表示节点$v_i$的传入消息集合，通常为入度的边缘集。$g_m(\cdot, \cdot)$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，作者定义了如下的消息传播模型：

其中$\mathcal{N}^r_i$表示与节点$i$有$r$类型连边的邻居节点。$c_{i,r}$是针对特定问题的归一化常数，可以学习得到也可以预先设定（例如 $c_{i,r}=|\mathcal{N}^r_i|$）。

使用$Wh_j$这种线性的转换形式的优点：（1）不需要储存中间过程的基于边的表示信息，节省了存储空间；（2）可进行向量化的运算。

和正规的GCN不同的是，作者引入的是relation-specific的转换，依赖于边的类型以及边的方向。为了保证第$l$层的节点表示信息可以传递给第$l+1$层的节点，作者为每个节点都添加了一个特殊类型的关系——自连接。

式（2）对所有节点进行并行计算，就可以实现神经网络层的更新，堆叠多层可以捕获多步之间的关系依赖。将这个图编码模型就是R-GCN。图1描述了使用R-GCN模型对图中一个节点的更新过程。

2.2 Regularization

式（2）应用于多关系型数据面临的主要问题就是：随着图中关系数量的增长，参数的数量迅速增长。这很容易导致过拟合。

有两种方法可以解决参数量过大的问题：

• 在权重矩阵间共享参数
• 在权重矩阵中进行稀疏约束

针对这两种策略，作者引入了两种方法，用于R-GCN层权重的正则化：基函数分解(basis-decomposition) 和 块对角分解(block-diagonal-decomposition)。

（1）基函数分解

$W^{(l)}_r$定义为基变换$V^{(l)}_b\in \mathbb{R}^{d^{(l+1)}\times d^{(l)}}$的线性组合，$a^{(l)}_{rb}$是系数，只有系数依赖于关系$r$。

（2）块对角分解

$W^{(l)}_r$求得后是块对角矩阵：

块对角分解就是(DistMult)解码器中使用的对角稀疏约束的推广。

基函数分解是实现不同关系类型间权重共享的一种形式；块分解可看成是对每种关系的权重矩阵的稀疏约束。

块分解的结构认为潜在的特征可以被分成多组变量，组内的联系比组间的更加紧密。

对于高度多关系类型的数据（例如 知识库），这两种分解的方式都减少了参数。

---

R-GCN模型的流程如下：像式（2）定义的那样，堆叠$L$层，当前层的输出为下一层的输入。若没有给定节点的特征，则为每个节点赋予唯一的one-hot向量，作为第一层的输入。对于块分解，通过一层线性变换将one-hot向量映射成稠密的表示。

本文只考虑节点无特征的方法，当然GCN类型的方法可以结合预定义的特征向量。

3 实体分类

堆叠多层R-GCN层，最后一层的输出后再过一个softmax函数。忽略未标注的节点，对所有已标注的节点最小化如下的交叉熵损失：

其中$\mathcal{Y}$是有标签的节点集合，$h^{(L)}_{ik}$是第$i$个已标注的节点在第$k$个位置的输出，$t_{ik}$表示对应的ground truth标签。如图1b所示。

4 链接预测

知识库由有向的有标签的图$G=(\mathcal{V}, \mathcal{E}, \mathcal{R})$组成。通常边的集合不是完全给定的，只给定了不完整的边集合$\mathcal{\hat{E}}$。链接预测的目标就是给定可能的边$(s, r, o)$，计算打分函数$f(s, r, o)$，判断边属于$ \mathcal{E}$的可能性。

为了解决这一问题，引入如图1 c所示的自编码器模型，由实体编码器和打分函数(decoder)组成。

编码器将每个实体$v_i$映射成实值向量$e_i\in \mathbb{R^d}$。

解码器根据编码器得到的节点表示信息，重构图中的边。具体而言，解码器使用打分函数为三元组$(subject, relation, object)$打分，判断这个三元组对应的边在图中是否存在。现有的链接预测的方法几乎都采用了这种方式。

本文的方法和先前方法的主要区别在于对编码器的依赖。先前的方法大多对每个节点$v_i$使用单一的、实值的向量$e_i$，直接在训练过程中优化。本文的方法是使用带有$e_i=h^{(L)}_i$的R-GCN编码器计算表示。

实验中，使用DistMult分解作为打分函数。其中，每个关系$r$都和一个对角矩阵$R_r\in \mathbb{R^{d\times d}}$相关联，对三元组$(s, r, o)$的评分计算如下：

训练时使用负采样技术，随机替换正样本的subject或object，生成$w$个负样本。使用交叉熵损失，让模型对正样本的打分值比负样本高：

其中，$\mathcal{T}$是正样本和负样本的三元组集合，$l$是logistic sigmoid函数，$y$是正负样本的指示函数。

5 实验

数据集：

实验任务：链接预测、实体分类

实验结果：

（1）实体分类

（2）链接预测