知识图谱支持了多种应用，包括问答系统和信息检索。尽管在创建和维护这些图谱上投入了大量努力，但即使是最大的知识图谱（如YAGO、DBPedia或Wikidata）仍然存在不完整性。我们介绍了关系图卷积网络（Relational Graph Convolutional Networks, R-GCNs），并将其应用于两个标准的知识库补全任务：链接预测（恢复缺失的事实，即主语-谓语-宾语三元组）和实体分类（恢复缺失的实体属性）。R-GCNs与最近一类在图数据上运行的神经网络有关，专门针对现实世界知识库中高度多关系的数据进行开发。我们展示了R-GCNs作为独立模型在实体分类任务中的有效性。此外，我们还证明了通过引入编码器模型来在关系图中积累多个推理步骤的证据，可以显著提升链接预测模型（如DistMult）的性能，在FB15k-237数据集上相对于仅使用解码器的基线模型，性能提升了29.8%。