标志着语义网领域的一个里程碑，关系图卷积网络（R-GCN）作为一种被广泛引用的方法，将端到端的层次化表示学习推广至知识图谱（KGs）。R-GCN 通过反复聚合其邻居节点的参数化、关系特定的变换，为感兴趣的节点生成表示。然而，在本文中，我们认为 R-GCN 的主要贡献在于其“消息传递”范式，而非所学习的权重。为此，我们提出了“随机关系图卷积网络”（RR-GCN），该方法保持所有参数未训练状态，从而通过聚合来自邻居节点的随机变换的随机表示来构建节点嵌入，即完全不依赖任何学习参数。我们通过实验证明，RR-GCN 在节点分类和链接预测任务中能够与完全训练的 R-GCN 相媲美。