图卷积网络（Graph Convolutional Networks, GCNs）近年来在建模图结构数据方面展现出显著成效。然而，现有研究主要集中在处理简单的无向图。多关系图（multi-relational graphs）是一种更为普遍且通用的图形式，其每条边均带有标签和方向信息。目前大多数处理此类图的方法存在参数过多（over-parameterization）的问题，且仅限于学习节点的表示。本文提出一种新型图卷积框架——CompGCN，能够联合嵌入多关系图中的节点与关系。CompGCN借鉴了知识图谱嵌入（Knowledge Graph Embedding）技术中的多种实体-关系组合操作，具备随关系数量扩展的可扩展性，同时可泛化多种现有的多关系图卷积网络方法。我们在节点分类、链接预测和图分类等多个任务上对所提方法进行了评估，结果表明其性能显著优于现有方法。为促进可复现研究，我们已公开CompGCN的源代码。