Réseaux de convolution de graphes multi-relationnels basés sur la composition

Les réseaux de convolution graphique (GCN) se sont récemment avérés particulièrement efficaces pour modéliser les données structurées en graphe. Toutefois, l’accent a principalement été mis sur le traitement des graphes simples non orientés. Les graphes multi-relationnels constituent une forme plus générale et plus répandue de graphe, dans laquelle chaque arête est associée à une étiquette et à une direction. La plupart des approches existantes pour traiter de tels graphes souffrent d’un surparamétrage et sont limitées à l’apprentissage de représentations uniquement des nœuds. Dans cet article, nous proposons CompGCN, un nouveau cadre de convolution graphique qui intègre conjointement les nœuds et les relations dans un graphe relationnel. CompGCN exploite une variété d’opérations de composition entité-relation issues des techniques d’embedding de graphes de connaissance, et s’adapte au nombre de relations. Il généralise également plusieurs méthodes existantes de GCN multi-relationnelles. Nous évaluons notre méthode proposée sur plusieurs tâches, telles que la classification de nœuds, la prédiction de liens et la classification de graphes, et obtenons des résultats nettement supérieurs. Nous mettons à disposition le code source de CompGCN afin de favoriser la recherche reproductible.