다중 관계의 그래프
실제 지식 기반은 노드 사이에 다양한 관계 유형이 존재한다. R-GCN은 이런 다중 관계 자료를 다루도록 설계된 그래프 신경망으로 큰 지식 그래프에도 빠진 사실이 남는 문제를 다룬다.
연결과 속성의 추정
링크 예측은 빠진 주체와 술어 및 객체의 삼중항을 복원하는 과제다. 개체 분류는 빠진 개체 속성을 추정하는 과제로 원 연구는 두 과제에 관계형 그래프 합성곱을 적용했다.
인코더로 모으는 증거
개체 분류에 단독 모형으로 사용하고 연결 예측에서는 DistMult 같은 분해 모형의 인코더로도 활용했다. 관계 그래프의 여러 추론 단계를 거치며 증거를 모아 디코더만 쓰는 기준선과 비교했다.
관련 문서
지식 그래프 / 그래프 합성곱 신경망 / 링크 예측 / DistMult / GraphSAGE / 표현 학습