多关系网络(例如知识图谱)对齐对上层的AI应用有很重要的意义。现有的基于图卷积网络(Graph Convolutional Network,GCN)的对齐模型并没有充分地利用多关系的信息,也就是关系的类别信息。因此作者提出一种关系向量化的图卷积网络VR-GCN,来同时学习实体的表示和关系的表示,并基于此网络构建了对齐框架AVR-GCN用于多关系网络对齐任务。
网络对齐,旨在不同的网络中找到具有相同语义的等价节点或等价关系。以知识图谱为例,对齐不同语言的知识图谱,有利于构建更完备的知识网络,对提升知识推理、跨领域推荐等任务的效果有显著意义。基于表示学习的模型由于其高效性也被用到网络对齐任务中。
根据其是否对网络内关系进行表示,可以分为单关系网络(Single-relational networks)表示方法,如:DeepWalk,Node2Vec;和多关系网络(Multi-relational networks)表示方法,如:TransE及其拓展工作。
随着深度学习的发展,以图卷积网络(Graph Convolutional Network,GCN)为代表的方法对图表示相关任务有很好的效果。然而,传统的基于频谱的GCN只能处理无向单关系网络,因为其要求归一化图拉普拉斯算子为实对称正半定矩阵,以便于进行图的傅立叶变换,这也表明邻接矩阵必须是对称的,并且二维的邻接矩阵也将边限制为相同类型,即单一关系。
为了在图卷积中增加对多关系的支持,R-GCN对每一关系学习一个映射矩阵,用于改变实体在累计邻居权重时考虑来自不同关系的影响,但R-GCN也没有显式地对关系进行表示。
因此,本文作者提出同时对实体和关系进行表示的图卷积网络VR-GCN,其具备以下几个特点:a)显式的关系embedding学习。b)实体角色区分:实体作为头实体或尾实体时采取不同的卷积操作,同时也体现图的有向性。c)翻译模型的性质:学习到的表示具备形如TransE的h+r≈t的性质。基于VR-GCN,作者在实体和关系层面上增加对齐的优化目标,得到网络对齐模型AVR-GCN。
作者主要在知识图谱对齐(Knowledge graph alignment)和链接预测(Link prediction)两个任务上分别评测了AVR-GCN和VR-GCN的性能。在知识图谱对齐任务中,AVR-GCN在实体对齐和关系对齐上都表现出了最好的效果。在链接预测任务中,VR-GCN在提升网络表示效果上的提升还是很明显的。