RGCN层
- class RGCNLayer(num_relations: int, input_dim: int = 32, output_dim: int | None = None, use_bias: bool = True, activation: str | Module | None = None, activation_kwargs: Mapping[str, Any] | None = None, self_loop_dropout: float = 0.2, decomposition: str | Decomposition | None = None, decomposition_kwargs: Mapping[str, Any] | None = None)[源代码]
基础类:
Module一个来自[schlichtkrull2018]的RGCN层，已更新以匹配官方实现。
该层使用单独的分解来处理前向和后向边（即“正常”和隐式创建的逆关系），以及自环的单独转换。
忽略掉队、分解和归一化，可以写成
\[y_i = \sigma( W^s x_i + \sum_{(e_j, r, e_i) \in \mathcal{T}} W^f_r x_j + \sum_{(e_i, r, e_j) \in \mathcal{T}} W^b_r x_j + b )\]其中 \(b, W^s, W^f_r, W^b_r\) 是可训练的权重。\(W^f_r, W^b_r\) 是关系特定的，并且通常采用权重共享机制，参见分解。\(\sigma\) 是一个激活函数。两个求和中的各个项通常被加权。这是通过 EdgeWeighting 实现的。此外，RGCN 采用了边丢弃，然而，这需要在单个层之外完成，因为相同的边在所有层中被丢弃。相反，自环丢弃是特定于层的。
初始化层。
- Parameters:
input_dim (int) – >0 输入维度
num_relations (int) – 关系的数量
output_dim (int | None) – >0 输出维度。如果没有给出，则使用输入维度。
use_bias (bool) – 是否使用可训练的偏置
activation (str | Module | None) – 使用的激活函数。默认为 None，即恒等函数作为激活函数。
activation_kwargs (Mapping[str, Any] | None) – 传递给激活函数以进行实例化的额外基于关键字的参数
self_loop_dropout (float) – 0 <= self_loop_dropout <= 1 用于自环的dropout
分解 (str | Decomposition | None) – 使用的分解方法，参见 Decomposition 和 decomposition_resolver
decomposition_kwargs (Mapping[str, Any] | None) – 传递给分解以进行实例化的基于关键字的参数
方法总结
forward(x, source, target, edge_type[, ...])计算丰富的实体表示。
方法文档