天学习的是阿姆斯特丹大学 Michael Schlichtkrull 大佬和 Thomas N. Kipf 大佬于 2017 年合作的一篇论文《Modeling Relational Data with Graph Convolutional Networks》,目前引用超 400 次,虽然这篇文章只是发到了 C 类会议,但论文中提出的 R-GCN 无疑开创了使用 GCN 框架去建模关系网络的先河。(只发到 C 可能是因为 R-GCN 表现不太好)
这篇论文主要有两大贡献:
- 证明了 GCN 可以应用于关系网络中,特别是链接预测和实体分类中;
- 引入权值共享和系数约束的方法使得 R-GCN 可以应用于关系众多的网络中。
存储知识的知识库常用于多种应用,包括问答、信息检索等。但即使是最大的知识库(如Yago、Wiki等)也存在很多缺失信息,这种不完整性会影响到下游应用。而预测知识库中的缺失信息是统计关系学习(statistical relational learning,以下简称 SRL)的主要内容。
假设知识库主要以三元组的形式(主语、谓语、宾语)进行存储。比如说,Mikhail 在 Vaganova 学院上学,我们把 Mikhail 和 Vaganova 学院称为实体,受教育称为关系,每个实体会有自己的类型,这样便构成一张知识网络:
这篇论文主要考虑两个任务,包括「链接预测」和「实体分类」。在这种情况下,可以对很多缺失信息进行补全,比如说:知道 Mikhail 在 Vaganova 学院受过教育,我们便可以知道他居住在俄罗斯(RUS),并且有自己的 label (如图中红色部分)。
根据这种想法,作者设计了一个编码器模型,并将其应用于这两个任务中,简单来说:
- 对于实体分类来说,将在编码器后面接一个 softmax 分类器用于预测节点的标签;
- 对于链路预测来说,可以后面接一个解码器,将分类器视为自编码器,从而完成节点的预测。
RGCN
首先,目前的 GCN 可以视为一个简单可微的消息传递框架的特殊情况:
其中, 表示隐藏层 l 的节点 ; 表示消息传入; 表示激活函数。
写的具体一点的话 就是那个经典的 GCN。基于这个模型作者定了一个简单的前向传播模型:
其中, 表示节点 i 在关系 r 下的邻居节点的集合; 是一个标准化常量,可以实现指定也可以学习得到。
从上面这个公式中我们可以得到以下几点信息:
- R-GCN 的每层节点特征都是由上一层节点特征和节点的关系(边)得到;
- R-GCN 对节点的邻居节点特征和自身特征进行加权求和得到新的特征;
- R-GCN 为了保留节点自身的信息,会考虑自环。
与 GCN 不同的地方在于 R-GCN 会考虑「边的类型和方向」。
在实践中,利用稀疏矩阵乘法可以有效地实现前向传播,同时为了避免了对邻域的显式求和,可以将多层堆叠起来,以便跨多个关系步骤实现依赖关系。
R-GCN 模型中单节点更新的计算图如图下所示,其中红色节点为将被更新的节点,蓝色节点为邻居节点:
Regularization
为了出现过拟合的问题,作者考虑了两种正则化方法:
一种是「基函数分解」(basis decomposition)
其实也就是 和系数 的线形组合。
另一种是「块分解」(block diagonal decomposition)
为一块对角矩阵, 。
基函数分解可以看作是不同关系类型之间权重共享的一种方式;而块分解可以看作是对每个关系类型的权值矩阵的稀疏约束,其核心在于潜在的特征可以被分解成一组变量,这些变量在组内的耦合比在组间的耦合更紧密。
两种分解都减少了网络的参数数量。同时,参数化也可以缓解对稀有关系的过度拟合,因为稀有关系和常见关系之间共享参数更新。
Entity Classification
对于实体分类来说,只使用了堆叠的 R-GCN 并在最后一层叠加了一个 Softmax 层用于分类,并考虑交叉熵损失函数:
其中,y 为有标签的节点的集合; 表示输出层有标签的第 i 个节点的第 k 个实体的预测值; 表示节点本身的标签。
实体分类的架构如下图所示:
Link Prediction
知识库通常是一个有向有标签的图 ,V 表示节点,E 表示边,R 为关系。通常 E 是不完整,我们的目标就是预测缺失的边。
链接预测其实是预测一个三元组(subject,relation,object),作者通过一个打分函数 来判断 是否符合要求。
作者考虑使用 DistMult 分解作为评分函数,每个关系 r 都和一个对角矩阵有关:
考虑负采样的训练方式:对于观测样本,考虑 个负样本,并利用交叉熵损失进行优化:
链接预测模型的架构图如下所示:
简单看一下实验。
首先是实体分类的准确性:
其次是链接预测的准确性:
在数据集 FB15k-237 数据集上的表现:
考虑 MRR 评分标准,不同度下的模型表现:
总结:R-GCN 构建了一个编码器,并通过接入不同的层完成不同的建模问题,如接入 Softmax 层进行实体分类,接入解码器进行链接预测,并在相应数据集中取得了不错的成绩。