作者丨张云喆
单位丨暗物智能科技
研究方向丨NLP推理、数学符号推理
研究背景
现实生活中很多的数据可以用图(graph)来建模,比如社交网络数据,paper 引用数据等。对于 AI 而言,一个常见的任务是半监督分类,即对图中的每一个点进行分类,在仅有部分点有标注的情况下。
处理理此类问题,比较经典的方法是 GCN [1],通过对相邻节点的特征聚合操作来对每个节点进行特征提取。GCN 等 GNN 模型对于节点之间的关系表征是二元的,即仅能表征两个节点 <e1,e2> 之间的关系,对于大于二元的关系组只能通过多个二元关系的方式去近似。
超图模型(Hypergraph)就是针对这种情况提出的一种网络结构 [2]。如图 1 所示,不同类型的数据中都存在着多元关系,超图模型的基本设定就是一个边可以包含大于 2 个点,去拟合多元关系。
![image.png 640](https://img-blog.csdnimg.cn/img_convert/39be16db56a8ecad0c4fbe4bbd0ea470.png)
▲ 图1. 不同类型数据中的关系展示
然而超图模型和图模型存在着一样的问题,即大部分模型中节点之间的关系来自于数据本身的属性,是一种静态的关系。这样会导致模型忽视很多不包含在这些静态关系中的隐含关系。为此,本文提出了一种基于超图模型的网络进化算法,通过图卷积提取的特征来进一步挖掘新的关系,示意图如图 2