グラフ畳み込みネットワーク（GCNs）は、近年、グラフ構造データのモデリングにおいて非常に成功していることが示されている。しかし、主な研究対象は単純な無向グラフに限定されてきた。多関係グラフは、各辺にラベルおよび方向が付与されたより一般化され、かつ実際の応用において広く見られるグラフの形式である。既存の多くの多関係グラフ処理手法は、パラメータ過多（over-parameterization）の問題を抱えており、ノード表現の学習に限定されている。本論文では、関係グラフにおいてノードと関係を同時に埋め込む新しいグラフ畳み込みフレームワーク、CompGCNを提案する。CompGCNは知識グラフ埋め込み（Knowledge Graph Embedding）技術から得られる多様なエンティティ-関係合成演算を活用し、関係数の増加に応じてスケーラブルである。また、既存の多数の多関係GCN手法を包括的に一般化する。我々は、ノード分類、リンク予測、グラフ分類といった複数のタスクにおいて提案手法を評価し、顕著な優れた性能を達成した。CompGCNのソースコードを公開することで、再現可能性のある研究の促進を目指す。