Description
CompGCN (Composition-Based Multi-Relational Graph Convolutional Networks) est un modèle d'IA conçu pour l'apprentissage de représentations graphiques multi-relationnelles. Développée par malllabiisc et présentée à l'ICLR 2020, cette implémentation PyTorch se concentre sur l'amélioration des réseaux convolutionnels graphiques pour des tâches telles que la prédiction de liens dans les graphes de connaissances.
Lire la suite
L'innovation principale de CompGCN réside dans son opération de composition, notée φ(·). Étant donné les embeddings de nœuds et de relations, CompGCN applique cette fonction de composition sur chaque arête dans le voisinage d'un nœud. Les embeddings composés résultants sont ensuite convolués avec des filtres spécifiques pour les relations originales et inverses. Le modèle agrège les messages des voisins pour mettre à jour l'embedding du nœud central et transforme les embeddings de relations à l'aide d'une matrice de poids dédiée. Cette approche permet des représentations plus riches de données relationnelles complexes.
CompGCN est compatible avec PyTorch 1.0 et Python 3.x. Le projet fournit des jeux de données tels que FB15k-237 et WN18RR, couramment utilisés pour la prédiction de liens dans les graphes de connaissances, qui sont inclus dans le répertoire `data`. L'installation des dépendances est gérée via un fichier `requirements.txt`. Le dépôt comprend des scripts et des commandes pour reproduire les résultats rapportés, démontrant son application avec différentes fonctions de scoring telles que TransE, DistMult et ConvE, et diverses opérations de composition incluant la soustraction, la multiplication et la corrélation circulaire.
Ce modèle est particulièrement précieux pour les chercheurs et les praticiens travaillant avec des graphes de connaissances à grande échelle et des structures relationnelles complexes. Sa capacité à gérer efficacement les données multi-relationnelles le rend adapté aux applications nécessitant une compréhension approfondie des connexions et des relations au sein des données. La nature open-source du projet sur GitHub facilite la collaboration et le développement ultérieur dans le domaine de l'apprentissage de représentations graphiques.
- CatégorieModèles d'IA et LLM
- Modèle tarifaireOpen source
- DéploiementCloud, Auto-hébergé
- PlateformesLinux, macOS, Windows
Fonctionnalités principales de CompGCN
Réseaux convolutionnels graphiques multi-relationnels basés sur la composition
Prend en charge diverses opérations de composition : soustraction, multiplication, corrélation circulaire
Compatible avec PyTorch 1.0 et Python 3.x
Inclut des jeux de données pour la prédiction de liens dans les graphes de connaissances (FB15k-237, WN18RR)
Résultats reproductibles pour les tâches de prédiction de liens
Utilise des filtres spécifiques pour les relations originales et inverses
Agrège les messages des voisins pour les mises à jour des embeddings de nœuds
Transforme les embeddings de relations avec des matrices de poids dédiées
Implémentation open-source disponible sur GitHub
Premiers pas avec CompGCN
Configuration de l'environnement : Installez les dépendances en utilisant `requirements.txt`.
Préparation des données : Exécutez `./setup.sh` pour l'extraction des jeux de données et la configuration des dossiers.
Configuration de l'entraînement : Sélectionnez la fonction de scoring, l'opération de composition et les hyperparamètres.
Exécution des expériences : Lancez `run.py` avec les arguments spécifiés pour la prédiction de liens.
Reproduction des résultats : Utilisez les commandes fournies pour répliquer les performances rapportées.
Intégration du modèle : Adaptez l'architecture du modèle et les scripts d'entraînement pour des applications personnalisées.
Cas d'utilisation de CompGCN
- Prédiction de liens dans les graphes de connaissances
- Apprentissage de représentations graphiques
- Analyse de données multi-relationnelles
- Systèmes de recommandation
- Analyse de réseaux sémantiques
