历安毛子代枚大等 3知识表示学习 XIDIAN UNIVERSITY ◆基于图神经网络的知识表示学习：R-GCN ◆R-GCN的第1层是各个节点的特征，如果没有其它特征的话，可以用独热矢 量。对于块对角分解，独热矢量通过一个线性变换变成了稠密表示。 Input R-GCN Input R-GCN DistMult Edge encoder encoder decoder (a)Entity classification (b)Link prediction ◆节点分类：在堆叠的K个R-GCN的输出层，每个节点用一个softmax()激活 函数，在标注节点上最小化下列的交叉熵损失函数 C=-】 ∑∑tag 193 知识表示学习 19 基于图神经网络的知识表示学习：R-GCN  R-GCN的第1层是各个节点的特征，如果没有其它特征的话，可以用独热矢 量。对于块对角分解，独热矢量通过一个线性变换变成了稠密表示。  节点分类：在堆叠的K个R-GCN的输出层，每个节点用一个softmax(·) 激活 函数，在标注节点上最小化下列的交叉熵损失函数