論文鏈接：圖神經(jīng)網(wǎng)絡(luò)應(yīng)用于知識(shí)圖譜推理的研究綜述

一、知識(shí)推理研究進(jìn)展

（1）知識(shí)圖譜以節(jié)點(diǎn)和邊的圖結(jié)構(gòu)存儲(chǔ)數(shù)據(jù)，GNN可以有效整合知識(shí)圖譜結(jié)構(gòu)特征及屬性特征，通過節(jié)點(diǎn)的領(lǐng)域信息聚合并更新節(jié)點(diǎn)，利用其強(qiáng)大的信息傳播能力學(xué)習(xí)數(shù)據(jù)間的語義關(guān)系和潛在信息，使其可以很好地學(xué)習(xí)知識(shí)推理中的節(jié)點(diǎn)信息、節(jié)點(diǎn)間關(guān)系信息以及全局結(jié)構(gòu)信息。

（2）知識(shí)推理：根據(jù)初步構(gòu)建的知識(shí)圖譜中實(shí)體和關(guān)系所蘊(yùn)含的信心，利用相關(guān)算法，推理出知識(shí)圖譜中缺失的實(shí)體或缺失的關(guān)系。

實(shí)體預(yù)測(cè)：利用已有事實(shí)的關(guān)系及一個(gè)實(shí)體，推理出另一個(gè)實(shí)體并由此構(gòu)成完整三元組。

關(guān)系預(yù)測(cè)：推理給定的頭尾實(shí)體之間的關(guān)系。

（3）知識(shí)推理從結(jié)構(gòu)上分為局部任務(wù)和全局任務(wù)。

局部任務(wù)：節(jié)點(diǎn)分類、鏈接預(yù)測(cè)、知識(shí)補(bǔ)全......

全局任務(wù)：子圖匹配、子圖分類、圖趨勢(shì)預(yù)測(cè)......

（4）知識(shí)推理方法

1.基于邏輯規(guī)則的推理

基本思想：借鑒傳統(tǒng)知識(shí)推理中的規(guī)則推理方法，在知識(shí)圖譜上運(yùn)用簡(jiǎn)單規(guī)則或統(tǒng)計(jì)特征進(jìn)行推理。

2.基于表示學(xué)習(xí)的推理

基本思想：找到一種映射函數(shù)，將語義網(wǎng)絡(luò)中的實(shí)體、關(guān)系和屬性映射到低維實(shí)值向量空間以獲得分布式表示，進(jìn)而捕獲實(shí)體和關(guān)系之間的隱式關(guān)聯(lián)。

3.基于神經(jīng)網(wǎng)絡(luò)的推理

基本思想：將前文所述的表示學(xué)習(xí)方法通過多個(gè)非線性表示層組合起來，再對(duì)其深度特征進(jìn)行表示，進(jìn)而開展知識(shí)推理。

4.基于圖神經(jīng)網(wǎng)絡(luò)的推理

基本思想：通過圖卷積的方式來聚合相鄰節(jié)點(diǎn)的信息（包括語義信息和結(jié)構(gòu)信息），得到節(jié)點(diǎn)表示進(jìn)行推理。

二、基于圖神經(jīng)網(wǎng)絡(luò)的知識(shí)推理研究

（1）圖神經(jīng)網(wǎng)絡(luò)模型

輸入層：將圖形結(jié)構(gòu)和節(jié)點(diǎn)內(nèi)容信息作為輸入。

圖卷積層：通過聚合相鄰節(jié)點(diǎn)的特征信息得到每個(gè)節(jié)點(diǎn)的隱藏表示。

激活函數(shù)層：通過激活函數(shù)層進(jìn)行非線性交換，得到新的圖的表示。

輸出層：通過多次圖卷積層和激活函數(shù)層，將得到每個(gè)節(jié)點(diǎn)的最終表示作為輸出。

訓(xùn)練框架：可以在端到端學(xué)習(xí)框架內(nèi)以（半）監(jiān)督或無監(jiān)督的方式訓(xùn)練，具體取決于學(xué)習(xí)任務(wù)和可用的標(biāo)簽信息。

執(zhí)行任務(wù)：知識(shí)推理的節(jié)點(diǎn)分類、節(jié)點(diǎn)標(biāo)簽預(yù)測(cè)等節(jié)點(diǎn)級(jí)任務(wù)。

（2）基于圖神經(jīng)網(wǎng)絡(luò)的KR模型（邊級(jí)任務(wù)）

輸出層：將GNN中兩個(gè)節(jié)點(diǎn)的隱藏表示作為輸出。

執(zhí)行任務(wù)：可利用相似性函數(shù)或神經(jīng)網(wǎng)絡(luò)來預(yù)測(cè)邊的標(biāo)簽或連接強(qiáng)度等，執(zhí)行邊分類和鏈接預(yù)測(cè)等任務(wù)。

（3）基于圖神經(jīng)網(wǎng)絡(luò)的知識(shí)推理模型（全局任務(wù)）

通過在模型中加入多層感知器和softmax層。

執(zhí)行任務(wù)：可處理圖分類、子圖匹配、圖趨勢(shì)預(yù)測(cè)等知識(shí)推理全局任務(wù)。

2.1基于遞歸圖神經(jīng)網(wǎng)絡(luò)RecGNN的知識(shí)推理

RecGNN是圖神經(jīng)網(wǎng)絡(luò)的先驅(qū)。

RecGNN模型闡述：每個(gè)節(jié)點(diǎn)的定義是由該節(jié)點(diǎn)的屬性特征（或標(biāo)簽特征）以及鄰接節(jié)點(diǎn)來共同表示（如圖4），參數(shù)函數(shù)稱為局部變換函數(shù)，描述了頂點(diǎn)n和其鄰域頂點(diǎn)的依賴性。稱為局部輸出函數(shù)，刻畫了輸出值的生成過程。

其中，分別表示頂點(diǎn)n的屬性、關(guān)聯(lián)邊的屬性、所有鄰接節(jié)點(diǎn)的狀態(tài)和屬性。因此，每個(gè)節(jié)點(diǎn)n的狀態(tài)，該狀態(tài)包含節(jié)點(diǎn)n的鄰域所包含的信息。

RecGNN目標(biāo)：學(xué)習(xí)遞歸神經(jīng)架構(gòu)的節(jié)點(diǎn)表示，通過不斷迭代傳播鄰域節(jié)點(diǎn)信息，直到模型達(dá)到穩(wěn)定狀態(tài)，進(jìn)而得到節(jié)點(diǎn)的最終表示。

（1）GNN：Scarselli等人提到可以直接處理大多數(shù)現(xiàn)實(shí)世界中的圖問題，包括有向、無向、循環(huán)和非循環(huán)的圖，且成功實(shí)現(xiàn)了將圖數(shù)據(jù)映射到幾何空間，并開展了子圖匹配、化合物誘變活性分析和網(wǎng)頁(yè)排序等任務(wù)，這是首次利用圖神經(jīng)網(wǎng)絡(luò)處理圖數(shù)據(jù)推理任務(wù)---子圖匹配。其實(shí)驗(yàn)結(jié)果表明GNN對(duì)于結(jié)構(gòu)化數(shù)據(jù)的建模十分有效，但也存在著數(shù)據(jù)計(jì)算量大、迭代效率低等諸多的不足。

（2）GGNN（gated graph neural network）：Li等人提出了GGNN是基于GRU（gated recurrent unit）的經(jīng)典空間域模型，可以理解為GNN+Gate。GGNN實(shí)際上是以損失圖中較長(zhǎng)路徑信息的代價(jià)換取了模型可建模的問題空間。

（3）SSE：Dai等人提出了一種隨機(jī)學(xué)習(xí)框架，可有效利用學(xué)習(xí)算法中的模型參數(shù)，其主要思想是隨機(jī)采樣一批節(jié)點(diǎn)用于狀態(tài)更新，隨機(jī)采樣一批節(jié)點(diǎn)用于梯度計(jì)算，以隨機(jī)和異步的方式周期性更新節(jié)點(diǎn)隱藏狀態(tài)。

? ? ? ?綜上所述，RecGNN旨在學(xué)習(xí)具有遞歸神經(jīng)架構(gòu)的節(jié)點(diǎn)表示。它們假設(shè)圖中的節(jié)點(diǎn)不斷與其鄰接（包括鄰接節(jié)點(diǎn)和關(guān)聯(lián)邊）交換信息，直到達(dá)到穩(wěn)態(tài)。RecGNN在理論上很重要，它啟發(fā)了后來學(xué)者們對(duì)卷積圖神經(jīng)網(wǎng)絡(luò)的研究，基于空間的卷積圖神經(jīng)網(wǎng)絡(luò)繼承了信息傳遞的思想。

2.2基于卷積圖神經(jīng)網(wǎng)絡(luò)ConvGNN的知識(shí)推理

? ? ? ?基于空間域的圖卷積網(wǎng)絡(luò)直接對(duì)圖的鄰接節(jié)點(diǎn)進(jìn)行聚合，可以較好反映圖數(shù)據(jù)的結(jié)構(gòu)關(guān)系，更適合處理有向圖和大型圖數(shù)據(jù)。因此，目前利用卷積圖神經(jīng)網(wǎng)絡(luò)的知識(shí)推理方法都是基于空間域方法進(jìn)行研究。

? ? ? ?與RecGNN不同，基于空間的ConvGNN通過多層卷積來得到高階節(jié)點(diǎn)表示，進(jìn)而通過這些表示特征對(duì)圖數(shù)據(jù)進(jìn)行節(jié)點(diǎn)分類、鏈接預(yù)測(cè)、圖分類等任務(wù)。

? ? ? ?第一代卷積圖神經(jīng)網(wǎng)絡(luò)：Henaff等人用局部連接來減少學(xué)習(xí)參數(shù)，將卷積圖神經(jīng)網(wǎng)絡(luò)擴(kuò)展到大規(guī)模圖數(shù)據(jù)分類問題上。

? ? ??第二代卷積圖神經(jīng)網(wǎng)絡(luò)：Defferrard等人設(shè)計(jì)了圖的快速局部卷積濾波器，其大大降低了計(jì)算復(fù)雜度和學(xué)習(xí)復(fù)雜度，可以被運(yùn)用到任何圖結(jié)構(gòu)數(shù)據(jù)。

? ? ? 第三代卷積圖神經(jīng)網(wǎng)絡(luò)： Kipf和Welling提出的GCN利用Chebyshev多項(xiàng)式擬合卷積核，可以學(xué)習(xí)圖上局部結(jié)構(gòu)特征并進(jìn)行編碼，較好地解決半監(jiān)督任務(wù)。如圖5（a）是用于半監(jiān)督學(xué)習(xí)的多層卷積圖神經(jīng)網(wǎng)絡(luò)，，輸入通道為 C ，輸出層為 F 特征圖。圖結(jié)構(gòu)（邊顯示為黑線）在層上共享，標(biāo)簽用表示。圖5（b）為兩層GCN在Cora數(shù)據(jù)集上訓(xùn)練的隱藏層激活的可視化，不同顏色表示不同標(biāo)簽類型。卷積圖神經(jīng)網(wǎng)絡(luò)傳播規(guī)則可表示為：

其中，為圖G的帶自環(huán)鄰接矩陣；為單位矩陣；為可訓(xùn)練權(quán)重向量；為激活函數(shù)；為第層的激活矩陣，。

核心思想：學(xué)習(xí)一個(gè)函數(shù)映射，通過該映射圖中的節(jié)點(diǎn)可以聚合自身的信息，鄰接節(jié)點(diǎn)信息和結(jié)構(gòu)信息來生成節(jié)點(diǎn)的表示。ConvGNN在建立許多其他復(fù)雜的GNN模型中起著核心作用。

2.2.1基于空間域的卷積圖神經(jīng)網(wǎng)絡(luò)

基于空間域的ConvGNN的知識(shí)推理，將知識(shí)圖譜視作無向圖，利用ConvGNN分析拓?fù)浣Y(jié)構(gòu)，實(shí)現(xiàn)鄰域向中心實(shí)體的語義聚合。

（1）GCN基本思想：是把圖數(shù)據(jù)中節(jié)點(diǎn)的高維鄰接信息降維到低維的向量表示，其本質(zhì)是“直推式”，即需要知道圖數(shù)據(jù)的全部信息進(jìn)行訓(xùn)練，且模型無法快速得到新節(jié)點(diǎn)的表示。

（2）GraphSAGE提出了一種新的方法，相比GCN捕捉圖的全局信息、保存映射結(jié)果的方法，該算法屬于“歸納式”，即聚合鄰接信息得到圖數(shù)據(jù)表示的映射函數(shù)，因此也可以對(duì)圖譜中新增的節(jié)點(diǎn)進(jìn)行表示。

（3）R-GCN為圖譜中的實(shí)體生成隱性特征表示，可理解為知識(shí)圖譜中的實(shí)體屬性標(biāo)簽，并將其應(yīng)用于兩個(gè)任務(wù)中。

對(duì)于實(shí)體分類任務(wù)，R-GCN參考GCN算法，對(duì)圖中的每個(gè)節(jié)點(diǎn)使用Softmax分類器進(jìn)行節(jié)點(diǎn)分類；

對(duì)于關(guān)系預(yù)測(cè)任務(wù)，R-GCN提取每個(gè)節(jié)點(diǎn)的表示，通過兩個(gè)節(jié)點(diǎn)的表示來預(yù)測(cè)節(jié)點(diǎn)間關(guān)系。

（4）CompGCN：一種針對(duì)多關(guān)系有向圖的圖神經(jīng)網(wǎng)絡(luò)來同時(shí)學(xué)習(xí)節(jié)點(diǎn)和關(guān)系的表示。為了降低大量不同類型關(guān)系帶來的大量參數(shù)的影響，設(shè)計(jì)了一種分解操作，將所有關(guān)系都用一組基的加權(quán)組合來表示。

（5）SACN：模型使用WGCN作為編碼器，將節(jié)點(diǎn)結(jié)構(gòu)、節(jié)點(diǎn)屬性、關(guān)系類型作為輸入，WGCN中的可學(xué)習(xí)權(quán)值有助于從相鄰圖節(jié)點(diǎn)中收集自適應(yīng)量的信息；將Conv-TransE作為解碼器，在Conv-TransE的節(jié)點(diǎn)嵌入表示保留了實(shí)體和關(guān)系之間屬性信息，并可以較好用于知識(shí)圖譜補(bǔ)全任務(wù)。

SACN通過WGCN來建模KG中的實(shí)體和關(guān)系，提取實(shí)體特征，然后輸入至Conv-TransE中使實(shí)體滿足KG三元組約束，得到實(shí)體的嵌入表示，進(jìn)而開展知識(shí)圖譜補(bǔ)全任務(wù)。

2.2.2基于圖注意力機(jī)制的卷積圖神經(jīng)網(wǎng)絡(luò)

（1）GAT：

是一種基于空間結(jié)構(gòu)的圖神經(jīng)網(wǎng)絡(luò)，在聚合鄰域特征信息時(shí)，通過注意力機(jī)制確定采樣節(jié)點(diǎn)權(quán)重信息，比GCN多了一個(gè)自適應(yīng)的邊權(quán)重系數(shù)，從而實(shí)現(xiàn)鄰域?qū)χ行呢暙I(xiàn)程度的自適應(yīng)調(diào)節(jié)。GAT無需提前知道整個(gè)網(wǎng)絡(luò)的結(jié)構(gòu)，即可通過局部信息獲取到網(wǎng)絡(luò)的整體信息，避免了大量矩陣運(yùn)算。

本質(zhì)上，GAT是將原本GCN的標(biāo)準(zhǔn)化函數(shù)替換為使用注意力權(quán)重的鄰接節(jié)點(diǎn)特征聚合函數(shù)。

圖 8 為利用MGAT算法開展鏈接預(yù)測(cè)和節(jié)點(diǎn)分類模型框架圖。

（2）KBGAT：2019年Nathani 等人提出了基于圖注意力網(wǎng)絡(luò)（GAT）的知識(shí)圖譜關(guān)系推理模型KBGAT。該模型使用多頭注意力機(jī)制來進(jìn)行目標(biāo)節(jié)點(diǎn)周圍信息的收集，以解決隱藏信息獲取困難的問題，提升了關(guān)系預(yù)測(cè)的準(zhǔn)確率。

（3）GaAN：Zhang等人提出了基于門控注意力機(jī)制的 GaAN模型，不同于傳統(tǒng)的多頭注意機(jī)制（均衡地消耗所有的注意頭），門控注意機(jī)制可以通過引入的門控單元來調(diào)節(jié)參與內(nèi)容的數(shù)量，使用一個(gè)卷積子網(wǎng)絡(luò)來控制每個(gè)注意頭的重要性。由于在門控單元的構(gòu)造中只引入了一個(gè)簡(jiǎn)單的、輕量級(jí)的子網(wǎng)，計(jì)算開銷可以忽略不計(jì)，而且模型易于訓(xùn)練。

（4）HE-GAN：通過堆疊圖注意力網(wǎng)絡(luò)，有效學(xué)習(xí)實(shí)體的高階鄰接特征，實(shí)現(xiàn)對(duì)知識(shí)圖譜語義的完整表達(dá)。

2.3基于圖自動(dòng)編碼GAE的知識(shí)推理

圖自動(dòng)編碼神經(jīng)網(wǎng)絡(luò)是一種無監(jiān)督的學(xué)習(xí)框架，它將節(jié)點(diǎn)/圖編碼到潛在向量空間中，并從編碼的信息中重建圖數(shù)據(jù)。GAE用于學(xué)習(xí)網(wǎng)絡(luò)嵌入和生成新的圖形。

編碼器：使用圖卷積層來獲得每個(gè)節(jié)點(diǎn)的網(wǎng)絡(luò)嵌入表示。

解碼器：計(jì)算給定網(wǎng)絡(luò)嵌入的成對(duì)距離。在應(yīng)用非線性激活函數(shù)后，解碼器重建圖鄰接矩陣。

GAE通過重構(gòu)鄰接矩陣等圖結(jié)構(gòu)信息來學(xué)習(xí)潛在節(jié)點(diǎn)表示，它保留了節(jié)點(diǎn)的結(jié)構(gòu)信息。

圖自動(dòng)編碼網(wǎng)絡(luò)分為基于網(wǎng)絡(luò)嵌入的圖自動(dòng)編碼方法和基于圖生成的圖自動(dòng)編碼方法。基于網(wǎng)絡(luò)嵌入的圖自編碼方法利用神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)將圖的頂點(diǎn)表示為低維向量，可以用于知識(shí)圖譜節(jié)點(diǎn)分類或鏈接預(yù)測(cè)任務(wù)；基于圖生成的圖自動(dòng)編碼方法是在給定一組觀察到的圖的情況下生成新的圖，可以很好地應(yīng)用到知識(shí)推理的知識(shí)補(bǔ)全任務(wù)中。

圖自編碼器的挑戰(zhàn)：鄰接矩陣的稀疏性，這使得解碼器的正條目數(shù)遠(yuǎn)遠(yuǎn)小于負(fù)條目數(shù)。

解決方案：利用多層感知機(jī)作為編碼器來獲取節(jié)點(diǎn)嵌入，利用解碼器重建節(jié)點(diǎn)的鄰域統(tǒng)計(jì)信息。

2.3.1基于網(wǎng)絡(luò)嵌入的圖自編碼方法

目的：利用神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)將圖的節(jié)點(diǎn)映射到潛在空間特征表示為低維向量，并從潛在的表示中解碼圖形信息，進(jìn)而開展節(jié)點(diǎn)分類、鏈接預(yù)測(cè)等任務(wù)。

2.3.2基于圖生成的圖自編碼方法

定義：是在給定一組觀察到的圖的情況下，使用圖神經(jīng)網(wǎng)絡(luò)來表示圖的節(jié)點(diǎn)和邊之間的依賴關(guān)系生成新的圖，構(gòu)建圖生成模型。通過將給定條件下的新生成圖與原圖進(jìn)行對(duì)比，即可開展知識(shí)推理的知識(shí)補(bǔ)全任務(wù)，如實(shí)體分類、關(guān)系預(yù)測(cè)等。

（1）GAN：GAN框架由兩個(gè)模塊組成：生成器和鑒別器。生成器盡最大努力在LSTM網(wǎng)絡(luò)中生成合理的隨機(jī)行走序列，而鑒別器則試圖區(qū)分偽造的隨機(jī)行走序列和真實(shí)的隨機(jī)行走序列。訓(xùn)練完成后，對(duì)一組隨機(jī)行走中節(jié)點(diǎn)的共現(xiàn)矩陣進(jìn)行正則化，可以得到一個(gè)新的圖，可以用于知識(shí)圖譜的鏈接預(yù)測(cè)任務(wù)。

2.4基于時(shí)空?qǐng)D神經(jīng)網(wǎng)絡(luò)STGNN的知識(shí)推理

一般GCN可以較好地捕捉知識(shí)圖譜中節(jié)點(diǎn)之間的連接關(guān)系，保留網(wǎng)絡(luò)中的空間關(guān)系的信息，但缺乏捕捉時(shí)間關(guān)系的能力。

時(shí)空?qǐng)D神經(jīng)網(wǎng)絡(luò)STGNN將卷積圖神經(jīng)網(wǎng)絡(luò)擴(kuò)展到時(shí)空?qǐng)D模型，旨在從時(shí)空?qǐng)D中學(xué)習(xí)隱藏模式，其基本假設(shè)是節(jié)點(diǎn)的未來信息取決于其歷史信息及其鄰接的歷史信息。

核心思想：同時(shí)考慮空間依賴和時(shí)間依賴。時(shí)空?qǐng)D神經(jīng)網(wǎng)絡(luò)中的空間依賴關(guān)系即對(duì)應(yīng)知識(shí)圖譜的拓?fù)浣Y(jié)構(gòu)信息，時(shí)間依賴即對(duì)應(yīng)知識(shí)圖譜的時(shí)序信息，節(jié)點(diǎn)的信息即為實(shí)體屬性信息。

圖卷積層對(duì)時(shí)序知識(shí)圖譜A進(jìn)行運(yùn)算捕捉知識(shí)的空間相關(guān)性（圖數(shù)據(jù)的拓?fù)浣Y(jié)構(gòu)關(guān)系），一維CNN層沿著時(shí)間軸變化來捕捉知識(shí)的時(shí)間相關(guān)性。輸出層通過多層感知機(jī)的線性變換，為每一個(gè)節(jié)點(diǎn)生成預(yù)測(cè)，比如下個(gè)時(shí)間步長(zhǎng)內(nèi)的節(jié)點(diǎn)值。

三、總結(jié)與展望

3.1總結(jié)

知識(shí)圖譜推理的核心是針對(duì)三元組中的實(shí)體和關(guān)系進(jìn)行預(yù)測(cè)，因此，需要對(duì)圖數(shù)據(jù)的結(jié)構(gòu)信息以及實(shí)體的屬性信息進(jìn)行表示，進(jìn)而開展推理任務(wù)。

GNN依靠其強(qiáng)大的點(diǎn)和邊來對(duì)非歐幾里德數(shù)據(jù)建模，高效地解決了在實(shí)際應(yīng)用中遇到的圖結(jié)構(gòu)數(shù)據(jù)問題。圖神經(jīng)網(wǎng)絡(luò)可以很好地學(xué)習(xí)知識(shí)圖譜中的節(jié)點(diǎn)信息、節(jié)點(diǎn)間關(guān)系信息以及全局結(jié)構(gòu)信息。

基于RecGNN的知識(shí)推理通過不斷地迭代傳播鄰接節(jié)點(diǎn)信息，得到圖譜中節(jié)點(diǎn)的最終表示，進(jìn)而開展知識(shí)推理。相比傳統(tǒng)算法，模型同時(shí)考慮知識(shí)圖譜的語義信息和結(jié)構(gòu)信息，具備更好的可解釋性和更強(qiáng)的推理能力；但由于在每個(gè)時(shí)間步都需要展開圖中所有的節(jié)點(diǎn)，使得模型的收斂速度和效率較差。

基于ConvGNN的知識(shí)推理通過中心節(jié)點(diǎn)與鄰接節(jié)點(diǎn)之間的卷積來表示節(jié)點(diǎn)間信息。模型可以通過節(jié)點(diǎn)采樣技術(shù)提高效率吧；通過注意力機(jī)制可實(shí)現(xiàn)鄰域?qū)χ行呢暙I(xiàn)程度的自適應(yīng)調(diào)節(jié)，實(shí)現(xiàn)了在大型知識(shí)圖譜上開展推理任務(wù)；但淺層的網(wǎng)絡(luò)結(jié)構(gòu)往往使得推理的能力受到限制，不同模型的泛化能力也相對(duì)較差。

基于GAE的知識(shí)推理利用多層感知機(jī)作為編碼器，以獲得節(jié)點(diǎn)的低維表示，然后利用解碼器重構(gòu)節(jié)點(diǎn)的鄰域信息，進(jìn)而開展知識(shí)推理任務(wù)；但受限于無監(jiān)督學(xué)習(xí)的應(yīng)用場(chǎng)景，整體性能有待提升。

基于STGNN的知識(shí)推理引入了時(shí)間序列特征，同時(shí)考慮知識(shí)圖譜的空間信息（結(jié)構(gòu)信息）和時(shí)序信息，可用于開展時(shí)序知識(shí)圖譜推理任務(wù)。但模型復(fù)雜程度較高，且在時(shí)間序列中的應(yīng)用效果有待提升。文章來源地址http://www.zghlxwxcb.cn/news/detail-846615.html

到了這里，關(guān)于論文閱讀：圖神經(jīng)網(wǎng)絡(luò)應(yīng)用于知識(shí)圖譜推理的研究綜述的文章就介紹完了。如果您還想了解更多內(nèi)容，請(qǐng)?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！