幾乎所有早期的知識(shí)圖譜嵌入的經(jīng)典方法都是在對(duì)每個(gè)三元組打分，在實(shí)體和關(guān)系的表示中并沒(méi)有完全考慮到整幅圖的結(jié)構(gòu)。

早期，圖神經(jīng)網(wǎng)絡(luò)的方法在知識(shí)圖譜嵌入中并沒(méi)有被重視，主要由于：

早期的圖神經(jīng)網(wǎng)絡(luò)更多是具有同種類型節(jié)點(diǎn)和邊的同構(gòu)圖，對(duì)知識(shí)圖譜這樣的異構(gòu)圖關(guān)注較少。

早期的圖神經(jīng)網(wǎng)絡(luò)復(fù)雜度較高，很難擴(kuò)展到知識(shí)圖譜這種大規(guī)模圖上。

隨著對(duì)圖神經(jīng)網(wǎng)絡(luò)研究的深入，越來(lái)越多的研究者開始使用更具表達(dá)力的圖神經(jīng)網(wǎng)絡(luò)對(duì)知識(shí)圖譜進(jìn)行建模。

關(guān)系圖卷積網(wǎng)絡(luò)

帶權(quán)重的圖卷積編碼器

知識(shí)圖譜與圖注意力模型

圖神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)知識(shí)圖譜嵌入的結(jié)合：CompGCN

總結(jié)

知識(shí)圖譜作為一種重要而特殊的圖結(jié)構(gòu)，在各個(gè)領(lǐng)域有著廣泛的應(yīng)用，知識(shí)圖譜的表示學(xué)習(xí)為傳統(tǒng)人工智能關(guān)注的推理、符號(hào)邏輯等提供了新的、高效的方法，而圖神經(jīng)網(wǎng)絡(luò)在這個(gè)領(lǐng)域也起到了越來(lái)越關(guān)鍵的作用。

同時(shí)，知識(shí)圖譜的特殊性和復(fù)雜性為圖神經(jīng)網(wǎng)絡(luò)提供了很多新的、待解決的問(wèn)題，如可解釋性、復(fù)雜推理、可擴(kuò)展性、自動(dòng)構(gòu)建與動(dòng)態(tài)變化。

解決這些問(wèn)題，將為我們帶來(lái)新的技術(shù)推動(dòng)力。
編輯：lyn