本文节选自《图神经网络：基础与前沿》一书！

几乎所有早期的知识图谱嵌入的经典方法都是在对每个三元组打分，在实体和关系的表示中并没有完全考虑到整幅图的结构。

早期，图神经网络的方法在知识图谱嵌入中并没有被重视，主要由于：

早期的图神经网络更多是具有同种类型节点和边的同构图，对知识图谱这样的异构图关注较少。
早期的图神经网络复杂度较高，很难扩展到知识图谱这种大规模图上。

随着对图神经网络研究的深入，越来越多的研究者开始使用更具表达力的图神经网络对知识图谱进行建模。

关系图卷积网络

带权重的图卷积编码器

图神经网络与传统知识图谱嵌入的结合：CompGCN

总结

知识图谱作为一种重要而特殊的图结构，在各个领域有着广泛的应用，知识图谱的表示学习为传统人工智能关注的推理、符号逻辑等提供了新的、高效的方法，而图神经网络在这个领域也起到了越来越关键的作用。

同时，知识图谱的特殊性和复杂性为图神经网络提供了很多新的、待解决的问题，如可解释性、复杂推理、可扩展性、自动构建与动态变化。

解决这些问题，将为我们带来新的技术推动力。

参考文献：NATHANI D, CHAUHAN J, SHARMA C, et al. Learning attention-based embeddings for relation prediction in knowledge graphs[C]//Proceedings of the 57th Annual Meeting of the Association for Computational Linguistics, 2019:4710-4723.

《图神经网络：基础与前沿》
马腾飞 编著

梳理图神经网络（GNN）领域的经典模型
帮助读者构建图神经网络知识体系
厘清重要模型的设计思路和技术细节
展现图神经网络的研究进展
图神经网络在推荐系统、生物医疗、自然语言处理等不同场景的实践

图神经网络是人工智能领域的一个新兴方向，它不仅迅速得到了学术界的广泛关注，而且被成功地应用在工业界的多个领域。

本书介绍了图神经网络和图深度学习的基础知识和前沿研究，不仅包括它们的发展历史和经典模型，还包括图神经网络在深层网络、无监督学习、大规模训练、知识图谱推理等方面的前沿研究，以及它们在不同领域（如推荐系统、生化医疗、自然语言处理等）的实际应用。

本书既可作为人工智能领域研究和开发人员的技术参考书，也可作为对图上的深度学习感兴趣的高年级本科生和研究生的入门书。

（扫码了解本书详情）