知识图谱在问答系统和信息检索领域有着很广泛的应用，本文提出了Relational Graph Convolutional Networks（R-GCNs）并将其应用在连接预测和节点分类的任务中。R-GCNs可以算是利用神经网络来对图结构进行操作的一种，主要是为了解决拥有多种关系的现实数据。通过后面的实验，论文证明了R-GCNs的有效性。
对于大规模的知识信息，尽管人们极力去维持知识图谱的信息，但依旧会有缺失，这种缺失势必会危害到下游应用，预测知识缺失的信息是在统计关系学习领域（statistical relational learning，SRL）的主要问题。
基于对SRL的认识，论文假设知识库存储是三元组的形式，即主谓宾的形式。如上图所示关系，同时各个实体均被标以类型信息。这就能表示多关系图的节点和边。
本文设计了两个SRL任务：连接预测和节点分类，都基于有缺失信息的图，通过邻居结构来补全这些。例如：这位老兄Mikhail Baryshnikov就读与Vaganova Academy，这就说明节点“Mikhail Baryshnikov”应该是个人且可以预测这个三元组（(Mikhail Baryshnikov, 生活在, Russia【图片上是USA，应该是笔误吧！】）。
下面是对两个任务模型的简单说明。节点分类模型：使用softmax对图中的节点进行分类，来预测节点的label，所有参数使用cross-entropy来训练。连接预测模型：可以看作是一个自动编码器，encoder：使用R-GCNs来表示各个实体；decoder：