【WWW2022】再思考图卷积网络的知识图谱补全

图卷积网络(GCNs)是一种建模图结构的有效方法，它在知识图谱补全(KGC)中越来越受欢迎。基于GCNs的KGC模型首先使用GCNs生成表达实体表示，然后使用知识图嵌入(knowledge graph embedding, KGE)模型捕获实体之间的交互和关系。然而，许多基于GCN的KGC模型未能超过最先进的KGE模型，尽管引入了额外的计算复杂性。这一现象促使我们去探索GCNs在KGC中的真实作用。因此，本文在具有代表性的基于GCNs的KGC模型的基础上，引入变量来找出GCNs在KGC中的关键因子。令人惊讶的是，我们从实验中观察到，GCNs中的图结构建模对KGC模型的性能并没有显著的影响，这与人们普遍认知的相反。相反，实体表示的转换负责性能改进。在此基础上，我们提出了一个简单而有效的框架，名为LTEKGE，该框架将现有的KGE模型与线性变换的实体嵌入相结合。实验表明，LTE-KGE模型与基于gcn的KGC方法具有类似的性能改进，同时具有更高的计算效率。这些结果表明，现有的GCNs在KGC中是不必要的，新的基于GCNs的KGC模型应该依靠更多的消融研究来验证其有效性。所有实验的代码都可以在GitHub的https://github.com/MIRALab-USTC/GCN4KGC上找到。

https://arxiv.org/abs/2202.05679