问题提出
针对链接预测任务，先前的工作倾向于使用浅层和简单的模型，如翻译模型和双线性模型，但存在表现力差的问题；为了增加模型的表现力，产生了更加深层和复杂模型，如神经网络架构，但容易过拟合。
接着作者引入了ConvE模型，相对于之间的模型，ConvE模型的优点是表现力强、参数效率高，但仍存在问题，ConvE模型不足以全面捕获输入实体和关系之间的交互，仅在输入实体和关系的矩阵邻接的区域中建模交互。
为了最大化实体和关系的交互，作者提出了ConvR模型。
模型架构
第一步：给定一个三元组，将关系表征拆分并重塑成一组过滤器；
第二步：将头实体的关系表征重塑，作为卷积层的输入；
第三步：使用过滤器在输入上卷积，捕获每个过滤器（关系表示的一部分）与输入(实体表征)的不同区域之间的交互；
第四步：将卷积特征投影并与尾实体的表征相匹配。
与ConvE做对比，ConvE使用的是全局过滤器，而ConvR使用的是关系表征构建出来的自适应过滤器
模型训练
1对N评分，dropout防止过拟合，批归一化加快收敛的速度，标签平滑，Adam优化器
损失函数为交叉熵的形式：
实验
实验一：性能比较。在WN18、WN18RR、FB15k、FB15k-237四个数据集上进行链接预测实验
从实验效果上来看，还不错，相对于ConvE有了很大的提升。
实验二：参数效率。
调整过滤器的大小和数量对ConvR的性能影响不大