之前使用关联规则建立起关系三元组之间的关联关系和关联强度，进而将关系样本连接起来，组成一张无向网，进而抽取关系三元组中的前项词向量和实体类型、后项词向量和实体类型（对于前项、后项是词组的情况，将词组中的词向量按照element wise连加，合并成一个词向量），将前项、后项的词向量和实体类型（one-hot方式编码）连接一下，作为无向网中节点的特征，最终使用图卷积神经网络进行节点分类。

图卷积神经网络直接使用图卷积神经网络作者提供的源代码：

https://github.com/squirrel1982/gcn

跑完后发现分类结果并不好，我的关系类型一共16种（包括noEdge），测试集共1万个样本，模型结果输出的混淆矩阵如下：

micro p/r/f1是0.868，macro p/r/f1是0.056,0.063,0.060

与之相对，BiGRU-2Attention的结果如下：

结论是：GCN虽然是一个思路，但使用关系三元组中前项、后项的词汇信息和实体类型信息以及关联关系信息，想在严重不平衡数据集（正负样本比例是88：12）中对正样本进行15种类型的分类，不太可行，信息量不够。