PyG 消息传递

基于PyTorch Geometric的表示模块。

这些模块使得实体表示能够与其图邻居的表示相连接。类似的表示方法包括CompGCN或R-GCN。然而，该模块提供了通用模块，可以将PyTorch Geometric中的许多消息传递层与基础表示结合起来。可用的消息传递层的摘要可以在torch_geometric.nn.conv中找到。

这三个类在使用关系类型信息的方式上有所不同：

• SimpleMessagePassingRepresentation 仅使用来自训练三元组的连接信息， 但忽略了关系类型，例如 torch_geometric.nn.conv.GCNConv。

• TypedMessagePassingRepresentation 用于消息传递层，它内部通过 edge_type 输入处理分类关系类型信息，例如 torch_geometric.nn.conv.RGCNConv。

• FeaturizedMessagePassingRepresentation 用于可以通过参数 edge_attr 使用边属性的消息传递层，例如 torch_geometric.nn.conv.GMMConv。

我们也可以轻松地利用这些表示与pykeen.models.ERModel。在这里，我们展示了如何将基于静态标签的实体特征与可训练的GCN编码器结合用于实体表示，以及用于关系表示的学习嵌入和DistMult交互函数。

from pykeen.datasets import get_dataset
from pykeen.models import ERModel
from pykeen.nn.init import LabelBasedInitializer
from pykeen.pipeline import pipeline

dataset = get_dataset(dataset="nations", dataset_kwargs=dict(create_inverse_triples=True))
entity_initializer = LabelBasedInitializer.from_triples_factory(
    triples_factory=dataset.training,
    for_entities=True,
)
(embedding_dim,) = entity_initializer.tensor.shape[1:]
r = pipeline(
    dataset=dataset,
    model=ERModel,
    model_kwargs=dict(
        interaction="distmult",
        entity_representations="SimpleMessagePassing",
        entity_representations_kwargs=dict(
            triples_factory=dataset.training,
            base_kwargs=dict(
                shape=embedding_dim,
                initializer=entity_initializer,
                trainable=False,
            ),
            layers=["GCN"] * 2,
            layers_kwargs=dict(in_channels=embedding_dim, out_channels=embedding_dim),
        ),
        relation_representations_kwargs=dict(
            shape=embedding_dim,
        ),
    ),
)

类

MessagePassingRepresentation(...[, ...])	一个利用PyTorch Geometric消息传递层的抽象表示类。
SimpleMessagePassingRepresentation(...[, ...])	不使用关系类型的消息传递表示。
FeaturizedMessagePassingRepresentation(...)	一种使用从关系表示中获得的边缘特征进行消息传递的表示。
TypedMessagePassingRepresentation(...)	一种使用分类关系类型信息的消息传递表示。

类继承图