問題提出
針對鏈接預測任務，先前的工作傾向於使用淺層和簡單的模型，如翻譯模型和雙線性模型，但存在表現力差的問題；為了增加模型的表現力，產生了更加深層和復雜模型，如神經網絡架構，但容易過擬合。
接着作者引入了ConvE模型，相對於之間的模型，ConvE模型的優點是表現力強、參數效率高，但仍存在問題，ConvE模型不足以全面捕獲輸入實體和關系之間的交互，僅在輸入實體和關系的矩陣鄰接的區域中建模交互。
為了最大化實體和關系的交互，作者提出了ConvR模型。
模型架構
第一步：給定一個三元組，將關系表征拆分並重塑成一組過濾器；
第二步：將頭實體的關系表征重塑，作為卷積層的輸入；
第三步：使用過濾器在輸入上卷積，捕獲每個過濾器（關系表示的一部分）與輸入(實體表征)的不同區域之間的交互；
第四步：將卷積特征投影並與尾實體的表征相匹配。
與ConvE做對比，ConvE使用的是全局過濾器，而ConvR使用的是關系表征構建出來的自適應過濾器
模型訓練
1對N評分，dropout防止過擬合，批歸一化加快收斂的速度，標簽平滑，Adam優化器
損失函數為交叉熵的形式：
實驗
實驗一：性能比較。在WN18、WN18RR、FB15k、FB15k-237四個數據集上進行鏈接預測實驗
從實驗效果上來看，還不錯，相對於ConvE有了很大的提升。
實驗二：參數效率。
調整過濾器的大小和數量對ConvR的性能影響不大