Kompositionsbasierte mehrrelationale Graph-Convolutional-Netzwerke

Graph Convolutional Networks (GCNs) haben sich in jüngster Zeit als äußerst erfolgreich bei der Modellierung graphenstrukturierter Daten erwiesen. Allerdings lag der Fokus bisher hauptsächlich auf der Behandlung einfacher ungerichteter Graphen. Mehrrelationale Graphen stellen eine allgemeinere und häufigere Form von Graphen dar, bei denen jede Kante mit einer Beschriftung und einer Richtung versehen ist. Die meisten bestehenden Ansätze zur Verarbeitung solcher Graphen leiden unter Überparameterisierung und sind auf die Lernung von Knotenrepräsentationen beschränkt. In diesem Paper stellen wir CompGCN vor, einen neuartigen Graph Convolutional-Framework, der sowohl Knoten als auch Relationen in einem mehrrelationalem Graphen gemeinsam einbettet. CompGCN nutzt eine Vielzahl von Entitäts-Relationen-Kompositionsoperationen aus Techniken der Knowledge Graph Embedding und skaliert mit der Anzahl der Relationen. Zudem verallgemeinert CompGCN mehrere bestehende Methoden für mehrrelationale GCNs. Wir evaluieren unsere Methode an mehreren Aufgaben wie Knotenklassifikation, Link-Vorhersage und Graph-Klassifikation und erreichen dabei deutlich überlegene Ergebnisse. Wir stellen den Quellcode von CompGCN zur Verfügung, um reproduzierbare Forschung zu fördern.