R-GCN барои графҳо бо сӯрохиҳои навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи навъи nav...

R-GCN (Реляційна графова згорткова мережа) — це різновид графових нейронних мереж, розроблений для роботи з графами, де ребра мають типи (різні відносини між вузлами). На відміну від класичних GCN, які агрегують інформацію від сусідів без урахування типів зв’язків, R-GCN враховує типи ребер, застосовуючи окремі вагові матриці для кожного типу відносин. Це дозволяє моделі краще захоплювати структуру та семантику складних графів, наприклад, у задачах аналізу знань або соціальних мереж.

Приклад спрощеної формули оновлення ознак вузла v:

h_v^{(l+1)} = \sigma \left( \sum_{r \in R} \sum_{u \in N_r(v)} \frac{1}{c_{v,r}} W_r^{(l)} h_u^{(l)} + W_0^{(l)} h_v^{(l)} \right)

де:

• R — множина типів ребер,
• N_r(v) — сусіди вузла v за рёбрами типу r,
• W_r^{(l)} — матриця ваг для типу r на шарі l,
• c_{v,r} — коефіцієнт нормалізації,
• \sigma — функція активації.

Таким чином, R-GCN ефективно моделює складні взаємозв’язки у графах з різнорідними рёбрами.