论文浅尝 | 采用成对编码的图卷积网络用于知识图谱补全

笔记整理：姚祯，浙江大学在读硕士，研究方向为知识图谱表示学习，图神经网络。

论文引用：Liu S, Grau B, Horrocks I, et al. INDIGO: GNN-based inductive knowledge graph completion using pair-wise encoding[J]. Advances in Neural Information Processing Systems, 2021, 34.

Motivation

基于嵌入的方法通常是在向量空间中表示KG，然后对于结果向量应用预先定义的评分函数来进行知识图谱补全。但是这种方法的弊端就是对于训练过程中存在的实体，可以有很好的训练效果，但是对于在训练过程中没有出现的实体，这种方法的效果就会变得很差。

而在实际应用中，KG通常是在变化的，因此很容易出现在训练过程中并未见过的实体，会使得效果很差。例如在图中，实线部分是训练集，虚线部分是测试集。对于(Plato, lives, Greece)这一三元组，因为Plato，lives，Greece这三个向量都在训练过程中进行了反向传播得到了合理的向量表示，因此在链路预测的过程中很容易预测成功。但是对于(Aristotle, student, Plato), (R.Feynman, student, J.Wheeler),(J.Wheeler, lives, USA)这三个三元组，因为在训练过程中并未出现，因此它们的向量仅仅是随机初始化的向量表示，此时采用基于嵌入的方法，几乎不可能找到正确的预测结果。因此文中将这种基