PATHCON
Relational Message Passing for Knowledge Graph Completion
在这篇论文中，作者只考虑了KG中的relation embedding，没有学习entity embedding。更具体的说，学习两个方面的结构信息，relational context和relation paths。前者是头/尾实体的邻居relation，后者是头尾实体在KG中相连的relational path。提出了PATHCON
作者预测的是relation prediction，\(<h,?,t>\)，区别于常见的head/tail prediction，这样情况下relation prediction的候选项是所有的relation，会少很多候选项。这篇文章，作者还提出了一个新的数据集，DDB14，基于医药和疾病的一个知识图谱。
1 Introduction
motivation：作者认为实体的周围关系有很丰富的信息，可以使用GNN来学习这样的邻居结果。但是一般的KG上的GNN是迭代的将消息从实体传递到另外的实体。作者认为KG中的relation应该起到更大的作用。
method：作者提出了一种relational message passing的方法，只考虑relation embedding，然后让messages在relation之间传播。同时，为了降低计算复杂度，作者提出了改进版alternate relational message passing，让relation先传递给entity，再传递给relation。
作者认为重点建模relation而不是entity有三方面的好处：
it is inductive, since it can handle entities that do not appear in the training data during inference stage;
it is storage-efficient, since it does not calculate embeddings of entities; and
it is explainable, since it is able to provide explainability for predicted results by modeling the correlation strength among relation types.
这篇文章，作者还提出了一个新的数据集，DDB14。
2 Method
Alternate relational message passing
为了降低以edge为底的聚合方法的计算复杂度（作者提供了计算复杂度的计算公式，没有细看），提出了交替的关系消息传递函数。让relation先传递给entity，再传递给relation。
注意，这个公式里面的，\(e\)和\(v\)表示边relation和节点entity。\(N(v)\)不是表示实体\(v\)的邻居实体，而是实体\(v\)的邻居关系。\(A_1,\ A_2\)是两个构造函数。
接下来解释作者使用到的两个KG上的关系信息
Relational Context
头尾实体的周围关系。
Relational Paths
头尾实体在KG上可以相连的路径，注意，为了限制路径数量，该路径被限制为各个节点的实体在这个路径上是唯一的，这样避免出现循环圈这样的情况。
对于一个路径\(p\)，作者只保留中间的各个relation，然后给这样的relation赋予一个独立的embedding \(s_p\)，而不是去用某种方式产生。
虽然这种做法看起来会导致参数量爆炸，实际上作者发现出现的relational path数量并不多，单独赋予embedding，是可以接受的。
Combining Relational Context and Paths
对于要预测的三元组\(<h,?,t>\)，首先产生一个relation context
之后，基于注意力聚合Relational Paths
最终的预测输出
