幾乎所有早期的知識圖譜嵌入的經典方法都是在對每個三元組打分，在實體和關系的表示中并沒有完全考慮到整幅圖的結構。

早期，圖神經網絡的方法在知識圖譜嵌入中并沒有被重視，主要由于：

早期的圖神經網絡更多是具有同種類型節點和邊的同構圖，對知識圖譜這樣的異構圖關注較少。

早期的圖神經網絡復雜度較高，很難擴展到知識圖譜這種大規模圖上。

隨著對圖神經網絡研究的深入，越來越多的研究者開始使用更具表達力的圖神經網絡對知識圖譜進行建模。

關系圖卷積網絡

帶權重的圖卷積編碼器

知識圖譜與圖注意力模型

圖神經網絡與傳統知識圖譜嵌入的結合：CompGCN

總結

知識圖譜作為一種重要而特殊的圖結構，在各個領域有著廣泛的應用，知識圖譜的表示學習為傳統人工智能關注的推理、符號邏輯等提供了新的、高效的方法，而圖神經網絡在這個領域也起到了越來越關鍵的作用。

同時，知識圖譜的特殊性和復雜性為圖神經網絡提供了很多新的、待解決的問題，如可解釋性、復雜推理、可擴展性、自動構建與動態變化。

解決這些問題，將為我們帶來新的技術推動力。
編輯：lyn