基于图神经网络的知识图谱表示
知识图谱是一种异构图，用于描述实体、关系和事件之间的复杂关系。它可以定义为一个三元组G = (V, R, E)，其中V表示实体集合，R表示关系集合，E表示一条知识图谱链接。
traditional knowledge graph embedding algorithm包括TransE、RoatE、QuatE等，都是基于translation-based的方法，通过将实体和关系转换到同一个向量空间中来实现知识图谱的表示。
然而，traditional knowledge graph embedding algorithm存在一些缺陷，例如无法充分利用知识来表达节点，节点之间的语义联系不强。为了解决这些问题，可以使用基于图神经网络的知识图谱表示方法。
基于图神经网络的知识图谱表示方法可以分为两类：图学习融合知识图谱和图结构经典算法。图学习融合知识图谱可以通过图神经网络学习实体和关系的表示，然后融合到知识图谱中。图结构经典算法可以通过聚合邻居节点的信息来表示中心节点。
ERNIESage是基于知识的图语义算法框架， Node 建模方式是通过 Node Embedding 和 ERNIE 语义表示来表示节点，Edge 建模方式是通过节点的 ERNIE 语义表示和邻居语义表示融合。
ERNIESage 中使用了 Node Context 和 Neighbor Context 两个模块，Node Context 用于表示节点的语义信息，Neighbor Context 用于表示邻居节点的语义信息。
ERNIESage 中还使用了Position Embedding 和 Sentence Embedding 两个模块，Position Embedding 用于表示节点在图中的位置信息，Sentence Embedding 用于表示节点的语义信息。
基于图神经网络的知识图谱表示方法可以应用于推荐系统、搜索引擎、智慧金融、智能地图、安全风控、生物医药等领域。
图神经网络可以作为知识图谱的表示工具，通过图神经网络学习实体和关系的表示，可以实现知识图谱的自动构建和更新。
erner图学习工具PGL是一个基于飞桨图学习框架的图学习工具，可以用于知识图谱的表示和学习。PGL支持模型仓库、图切分、图存储、图采样、图游走等功能。
Graph4Rec、Graph4NLP、Graph4KG是三个基于图神经网络的应用场景，分别应用于推荐系统、自然语言处理和知识图谱。
