企业官网建设流程全解析

摘要

图卷积网络(GCNs)作为一种有效的图结构建模方法，在知识图补全(KGC)中得到了越来越广泛的应用。基于gcn的KGC模型首先使用gcn生成富有表现力的实体表示，然后使用知识图嵌入(KGE)模型捕获实体之间的交互和关系。然而，许多基于gcn的KGC模型虽然引入了额外的计算复杂性，但却无法超越最先进的KGE模型。这一现象促使我们探索GCNs在KGC中的真实作用。因此，在本文中，我们建立了具有代表性的基于gcn的KGC模型，并引入变量，以找出gcn的哪个因素在KGC中是关键的。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模型的性能没有显著影响，这与通常的看法相反。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LTEKGE，它为现有的KGE模型配备了线性变换的实体嵌入。实验表明，LTE-KGE模型的性能改进与基于gcn的KGC方法相似，同时计算效率更高。这些结果表明，现有的gcn对于KGC来说是不必要的，新的基于gcn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上找到https://github.com/MIRALab-USTC/GCN4KGC。

1 INTRODUCTION

知识图(KG)包含大量的事实三胞胎(头部实体、关系实体、尾部实体)，广泛应用于许多领域，如电子商务[15,16]、金融[4,13]和社交网络[12,34]。由于知识图通常是不完整的，手工查找所有事实三元组的成本很高，如何自动完成知识图补全(KGC)成为人们关注的焦点。在过