幾乎所有早期的知識圖譜嵌入的經(jīng)典方法都是在對每個三元組打分，在實體和關(guān)系的表示中并沒有完全考慮到整幅圖的結(jié)構(gòu)。

早期，圖神經(jīng)網(wǎng)絡(luò)的方法在知識圖譜嵌入中并沒有被重視，主要由于：

早期的圖神經(jīng)網(wǎng)絡(luò)更多是具有同種類型節(jié)點和邊的同構(gòu)圖，對知識圖譜這樣的異構(gòu)圖關(guān)注較少。

早期的圖神經(jīng)網(wǎng)絡(luò)復(fù)雜度較高，很難擴展到知識圖譜這種大規(guī)模圖上。

隨著對圖神經(jīng)網(wǎng)絡(luò)研究的深入，越來越多的研究者開始使用更具表達(dá)力的圖神經(jīng)網(wǎng)絡(luò)對知識圖譜進(jìn)行建模。

關(guān)系圖卷積網(wǎng)絡(luò)

帶權(quán)重的圖卷積編碼器

知識圖譜與圖注意力模型

圖神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)知識圖譜嵌入的結(jié)合：CompGCN

總結(jié)

知識圖譜作為一種重要而特殊的圖結(jié)構(gòu)，在各個領(lǐng)域有著廣泛的應(yīng)用，知識圖譜的表示學(xué)習(xí)為傳統(tǒng)人工智能關(guān)注的推理、符號邏輯等提供了新的、高效的方法，而圖神經(jīng)網(wǎng)絡(luò)在這個領(lǐng)域也起到了越來越關(guān)鍵的作用。

同時，知識圖譜的特殊性和復(fù)雜性為圖神經(jīng)網(wǎng)絡(luò)提供了很多新的、待解決的問題，如可解釋性、復(fù)雜推理、可擴展性、自動構(gòu)建與動態(tài)變化。

解決這些問題，將為我們帶來新的技術(shù)推動力。
編輯：lyn