CompGCN

基于组合的多关系图卷积网络

CompGCN 概述

给定节点和关系嵌入，CompGCN 在中心节点邻域内的每条边（例如上方的克里斯托弗·诺兰）上执行组合操作 φ(·)。随后，组合后的嵌入分别与用于正向和反向关系的特定滤波器 WO 和 WI 进行卷积。为清晰起见，图中省略了自环。来自所有邻居的消息被聚合起来，以获得中心节点的更新嵌入。此外，关系嵌入还会通过一个独立的权重矩阵进行变换。详细信息请参阅论文。

依赖项

• 兼容 PyTorch 1.0 和 Python 3.x。
• 可使用 requirements.txt 安装依赖项。

数据集：

• 我们使用 FB15k-237 和 WN18RR 数据集进行知识图谱链接预测。
• FB15k-237 和 WN18RR 已包含在 data 目录中。

训练模型：

• 从 requirements.txt 中安装所有依赖项。

• 执行 ./setup.sh 以提取数据集并设置实验所需的文件夹结构。

• 用于复现链接预测报告结果的命令如下：

  ##### 使用 TransE 分数函数
  # CompGCN（组合：减法）
  python run.py -score_func transe -opn sub -gamma 9 -hid_drop 0.1 -init_dim 200
  
  # CompGCN（组合：乘法）
  python run.py -score_func transe -opn mult -gamma 9 -hid_drop 0.2 -init_dim 200
  
  # CompGCN（组合：循环相关）
  python run.py -score_func transe -opn corr -gamma 40 -hid_drop 0.1 -init_dim 200
  
  ##### 使用 DistMult 分数函数
  # CompGCN（组合：减法）
  python run.py -score_func distmult -opn sub -gcn_dim 150 -gcn_layer 2 
  
  # CompGCN（组合：乘法）
  python run.py -score_func distmult -opn mult -gcn_dim 150 -gcn_layer 2 
  
  # CompGCN（组合：循环相关）
  python run.py -score_func distmult -opn corr -gcn_dim 150 -gcn_layer 2 
  
  ##### 使用 ConvE 分数函数
  # CompGCN（组合：减法）
  python run.py -score_func conve -opn sub -ker_sz 5
  
  # CompGCN（组合：乘法）
  python run.py -score_func conve -opn mult
  
  # CompGCN（组合：循环相关）
  python run.py -score_func conve -opn corr
  
  ##### 整体最佳：
  python run.py -name best_model -score_func conve -opn corr 
  

  • -score_func 表示链接预测分数函数。
  • -opn 是 CompGCN 中使用的组合操作，可取以下值：
    • sub 表示减法操作：Φ(e_s, e_r) = e_s - e_r
    • mult 表示乘法操作：Φ(e_s, e_r) = e_s * e_r
    • corr 表示循环相关：Φ(e_s, e_r) = e_s ★ e_r
  • -name 是本次运行的名称（用于存储模型参数）。
  • -model 是模型名称 compgcn。
  • -gpu 用于指定要使用的 GPU。
  • 其余参数可通过 python run.py -h 查看。

引用：

如果您在工作中使用此代码，请引用以下论文。

@inproceedings{
    vashishth2020compositionbased,
    title={基于组合的多关系图卷积网络},
    author={Shikhar Vashishth 和 Soumya Sanyal 和 Vikram Nitin 和 Partha Talukdar},
    booktitle={国际学习表示会议},
    year={2020},
    url={https://openreview.net/forum?id=BylA_C4tPr}
}

如有任何疑问、评论或建议，请创建问题或联系 Shikhar。

CompGCN 快速上手指南

CompGCN（Composition-Based Multi-Relational Graph Convolutional Networks）是一种基于组合操作的多关系图卷积网络，主要用于知识图谱链接预测任务。本指南将帮助你快速在本地环境中运行该模型。

环境准备

在开始之前，请确保你的开发环境满足以下要求：

• 操作系统：Linux / macOS / Windows (推荐 Linux)
• Python 版本：Python 3.x
• 深度学习框架：PyTorch 1.0 或更高版本
• 硬件建议：推荐使用 NVIDIA GPU 以加速训练过程

安装步骤

1. 克隆仓库 首先从 GitHub 获取源代码：

   git clone https://github.com/malllabiisc/CompGCN.git
   cd CompGCN
   

2. 安装依赖 使用 pip 安装项目所需的 Python 依赖包。 注：国内用户若下载缓慢，可添加清华源加速：pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

   pip install -r requirements.txt
   

3. 数据集配置 执行提供的脚本以自动解压数据集并建立实验所需的文件夹层级结构（默认包含 FB15k-237 和 WN18RR 数据集）：

   ./setup.sh
   

   如果是在 Windows 环境下无法直接运行 .sh 文件，请手动检查 data 目录是否已包含解压后的数据集文件。

基本使用

以下命令展示了如何训练一个性能最优的 CompGCN 模型（使用 ConvE 评分函数和循环相关组合操作）。

运行最佳模型示例：

python run.py -name best_model -score_func conve -opn corr

参数说明：

• -score_func: 链接预测的评分函数，可选 transe, distmult, conve。
• -opn: CompGCN 使用的组合操作 $\phi(\cdot)$：
  • sub: 减法操作 ($e_s - e_r$)
  • mult: 乘法操作 ($e_s * e_r$)
  • corr: 循环相关操作 ($e_s \star e_r$)
• -name: 本次运行的名称，用于保存模型参数。
• -gpu: (可选) 指定使用的 GPU 编号，例如 -gpu 0。

其他常用配置示例：

若需复现论文中基于 TransE 的减法组合模型：

python run.py -score_func transe -opn sub -gamma 9 -hid_drop 0.1 -init_dim 200

若需查看所有可用参数及其说明，可运行：

python run.py -h