五大顶会2019必读的Graph Embedding最新论文

最新推荐文章于 2023-10-09 10:53:44 发布
最新推荐文章于 2023-10-09 10:53:44 发布
阅读量2.7k 收藏 19
点赞数 5
原文链接：https://bss.csdn.net/m/zone/bdtc2019?utm_source=aicamp
版权
640?wx_fmt=png

来源： 深度传送门（ID:deep_deliver）

【导读】本文主要总结一下深度推荐系统相关的几大顶会（包含ICML2019/ KDD2019/ IJCAI2019/ WWW2019/ACL2019/ICCV2019等）必读的几篇Graph Embedding论文，都是工业界大厂最新的实践干货，各位老铁学不动也得学，请收好。

1. Cluster-GCN: An Efficient Algorithm for Training Deep and Large Graph Convolutional Networks作者：Wei-Lin Chiang, Xuanqing Liu, Si Si, Yang Li, Samy Bengio, Cho-Jui Hsiehhttp://t.cn/AipTSYnr

Google at KDD 2019，提出Cluster-GCN，高效解决工业界训练大规模深层图卷积神经网络问题，性能大幅提升基础上依靠可训练更深层网络优势达到SOTA效果，并开源了源代码。

2. DeepGCNs: Can GCNs Go as Deep as CNNs?

ICCV 2019 Oral，继Google的ClusterGCN工业风之后，成功将GCN从可训练3/4层拓展到56层，训练超级深层的图卷积神经网络。作者在 CNN 结构的启发下成功将 GCN 的可训练深度从 3/4 层拓展到了 56 层，大幅度提高了图卷积网络的性能，并开源了源代码。

3. Is a Single Embedding Enough? Learning Node Representations that Capture Multiple Social Contexts 

作者：Alessandro Epasto, Bryan Perozzi

论文：http://t.cn/AiukgqNA；代码：http://t.cn/AiukgqN7；

Google at WWW 2019，论文提出的Splitter是一种无监督的嵌入方法，允许图中的节点可以嵌入多个向量，以便更好地表示节点在一些重叠社区的参与。直观地说，这是因为图中的每个节点通常会在单个上下文中与给定的邻居节点产生交互。同时开源了代码。

4. NetSMF: Large-Scale Network Embedding as Sparse Matrix Factorization

作者：Jiezhong Qiu, Yuxiao Dong, Hao Ma, Jian Li, Chi Wang, Kuansan Wang, Jie Tang

论文：http://t.cn/AiuF7p97；代码：http://t.cn/EKneTNQ；

微软 at WWW 2019，提出适用于大规模网络表示学习方法NetSMF，利用稀疏矩阵分解来学习大规模网络embedding，相对于现有方法DeepWalk/ LINE/ Node2Vec等极大地提高了学习效率，并开源了代码。

5. ProNE: Fast and Scalable Network Representation Learning

论文：http://t.cn/AiC5cuXF；代码：http://t.cn/AiC5cuXs

微软 at IJCAI 2019，提出ProNE利用矩阵的稀疏性，本质上是用一个低通滤波对原矩阵进行滤波，大大提高了速度，可以得到10-400倍的加速比。并开源了代码。

6. Representation Learning for Attributed Multiplex Heterogeneous Network

作者：Yukuo Cen, Xu Zou, Jianwei Zhang, Hongxia Yang, Jingren Zhou, Jie Tang

论文：http://t.cn/Ai9I8OPE；代码：http://t.cn/Ai9I8OPn；解读：http://t.cn/Ai9CfBvw

阿里 at KDD 2019，主要处理包含异构节点和异构边的图的表示学习问题。阿里电商的数据由用户和商品构成的图就是异构的，不仅包含异构的节点（用户和商品），而且包含异构的边（用户和商品的多种交互行为，比如点击、购买等）。不仅如此，图中的节点还包含着丰富的属性。

7. Estimating Node Importance in Knowledge Graphs Using Graph Neural Networks 

作者：Namyong Park, Andrey Kan, Xin Luna Dong, Tong Zhao, Christos Faloutsos

论文：http://t.cn/EC2VhLD

Amazon at KDD 2019，提出GENI算法，解决知识图谱中节点重要性估计的问题。通过predicate-aware注意力机制和灵活的中心性调整来执行重要性分数的聚合，而不是聚合节点嵌入。在我们对GENI和现有方法的评估中，GENI在预测具有不同特征的真实KG中节点重要性方面比现有方法高出5-17%。

8. Compositional Fairness Constraints for Graph Embeddings 

作者：Avishek Joey Bose, William L. Hamilton

论文：http://t.cn/AiukgnqL；代码：http://t.cn/Aiukgnqy；

Facebook at ICML 2019，针对现有的Graph Embedding算法无法处理公平约束，例如确保所学习的表示与某些属性(如年龄或性别)不相关，引入一个对抗框架来对Graph Embedding实施公平性约束。并开源了代码。

9. Graph Matching Networks for Learning the Similarity of Graph Structured Objects 

作者：Yujia Li, Chenjie Gu, Thomas Dullien, Oriol Vinyals, Pushmeet Kohli

论文：http://t.cn/ES9dZYU

Google at ICML 2019，本文针对图结构物体的检索与匹配这一具有挑战性的问题，做了两个关键的贡献。首先，我们演示了如何训练图神经网络(GNN)在向量空间中嵌入图，从而实现高效的相似性推理。其次，提出了一种新的图匹配网络模型，该模型以一对图作为输入，通过一种新的基于注意力的交叉图匹配机制，对图对进行联合推理，计算出图对之间的相似度评分。

10. Large Scale Evolving Graphs with Burst Detection 

作者：Yifeng Zhao, Xiangwei Wang, Hongxia Yang, Le Song and Jie Tang   

论文：http://t.cn/AiC54K0M

阿里 at IJCAI 2019，提出一个叫做BurstGraph的模型，有意思的是主要通过burst的detection来拟合动态网络，这和传统大家都希望拟合一个平滑的动态模型不同。

11. Graph Neural Networks for Social Recommendation

作者：Wenqi Fan, Yao Ma, Qing Li, Yuan He, Eric Zhao, Jiliang Tang, Dawei Yin

论文：http://t.cn/AiuFAzVr；

京东 at WWW 2019，提出了一种新的用于社交推荐的图神经网络框架GraphRec。更好地联合捕获用户-商品图中的交互和意见。并在两个真实数据集上的大量实验证明了该框架的有效性。

12. Dual Graph Attention Networks for Deep Latent Representation of Multifaceted Social Effects in Recommender Systems

作者：Qitian Wu, Hengrui Zhang, Xiaofeng Gao, Peng He, Paul Weng, Han Gao, Guihai Chen

论文：http://t.cn/EiVtzOj；代码：http://t.cn/AiuFA5it；

腾讯 at WWW 2019，本文提出了对偶注意力网络来更好地学习双重社交效应的深度隐式表示，其中一个由用户特定的注意力权重建模，另一个由动态的、上下文感知的注意力权重建模。结果表明，与其他最先进的社交推荐方法相比，我们的模型在推荐精度上有了很大的提高。

13. MixHop: Higher-Order Graph Convolutional Architectures via Sparsified Neighborhood Mixing

作者：Sami Abu-El-Haija, Bryan Perozzi, Amol Kapoor, Nazanin Alipourfard, Kristina Lerman, Hrayr Harutyunyan, Greg Ver Steeg, Aram Galstyan

论文：http://t.cn/AiuFAY4V；代码：http://t.cn/Ai9bRyzk；

Google at ICML 2019，针对基于图神经网络的半监督学习方法(如图卷积网络)不能学习一般的邻域混合关系的缺点，提出了一个新的模型MixHop，它可以通过在不同距离重复混合邻居的特征表示来学习这些关系，包括不同的操作符。

14. GMNN: Graph Markov Neural Networks  

作者：Meng Qu, Yoshua Bengio, Jian Tang

论文：http://t.cn/EKOJK3x；

Bengio署名文章 at ICML 2019，统计关系学习方法可以通过条件随机场对对象标签的依赖关系进行有效的建模，用于集体分类，而图神经网络则通过端到端训练学习有效的对象表示来分类。在本文中，我们提出了一种集两种方法优点于一体的Graph Markov Neural Networks (GMNN)。GMNN利用条件随机场对目标标签的联合分布进行建模，利用变分EM算法对其进行有效训练。

15. Cognitive Graph for Multi-Hop Reading Comprehension at Scale  

作者：Ming Ding, Chang Zhou, Qibin Chen, Hongxia Yang, Jie Tang

论文：http://t.cn/EKSfKkr；代码：http://t.cn/AiCMhbOw

阿里 at ACL 2019，我们提出了一种新的基于CogQA的web级文档multi-hop问答框架。基于BERT和GNN的实现有效地处理了HotpotQA fullwiki数据集中数百万个multi-hop推理问题的文档，在排行榜上获得了34.9的F1 score，而最佳竞争对手的得分为23.6。

16. Coherent Comment Generation for Chinese Articles with a Graph-to-Sequence Model 

作者：Wei Li, Jingjing Xu, Yancheng He, Shengli Yan, Yunfang Wu, Xu Sun

论文：http://t.cn/AiuF26Ve；代码：http://t.cn/AinBeLPa

腾讯 at ACL 2019，对于传统的基于encoder-decoder的模型来说，新闻文档通常太长，这往往会导致一般性和不相关的评论。在本文中，我们提出使用一个Graph-to-Sequence的模型来生成评论，该模型将输入的新闻建模为一个主题交互图。通过将文章组织成图结构，我们的模型可以更好地理解文章的内部结构和主题之间的联系，这使得它能够更好地理解故事。

17. Dynamically Fused Graph Network for Multi-hop Reasoning

作者：Yunxuan Xiao, Yanru Qu, Lin Qiu, Hao Zhou, Lei Li, Weinan Zhang, Yong Yu

论文：http://t.cn/EKR7rcy；代码：http://t.cn/AiuF2k4G

今日头条 at ACL 2019，提出了动态融合图网络(Dynamically Fused Graph Network ，DFGN)，这是一种解决需要多个分散证据和推理的问题的新方法。受人类逐步推理行为的启发，DFGN包含一个动态融合层，从给定查询中提到的实体开始，沿着文本动态构建的实体图进行探索，并逐步从给定文档中找到相关的支持实体。

18. Incorporating Syntactic and Semantic Information in Word Embeddings using Graph Convolutional Networks  

作者：Shikhar Vashishth, Manik Bhandari, Prateek Yadav, Piyush Rai, Chiranjib Bhattacharyya, Partha Talukdar

论文：http://t.cn/EKR7rcy；代码：http://t.cn/AiuF2k4G

微软 at ACL 2019，提出SynGCN来解决现有的词嵌入方法大多利用词的sequential context而没有利用词的syntactic context，SynGCN是一种灵活的基于图卷积的学习词嵌入的方法。我们还提出了SemGCN，这是一个有效的框架，用于整合不同的语义知识，以进一步增强所学习的单词表示。并开源了代码。

19. Conditional Random Field Enhanced Graph Convolutional Neural Networks

作者：Hongchang Gao; Jian Pei; Heng Huang

论文：http://t.cn/AiuFLy0D

京东 at KDD 2019，提出了一种新的CRF层用于解决图卷积神经网络的隐层中保存不同节点间的相似性信息问题。大量的实验结果验证了我们提出的CRF层更易于计算和优化，以及他的有效性。

（*本文为 AI科技大本营转载文章，请联系原作者）


◆

精彩推荐

◆


20 19 中国大数据技术大会（BDTC）再度来袭！ 豪华主席阵容及百位技术专家齐聚， 15 场精选专题技术和行业论坛，超强干货+技术剖析+行业实践立体解读，深入解析热门技术在行业中的实践落地。

即日起，限量 5 折票开售，数量有限，扫码购买，先到先得！

640?wx_fmt=jpeg

推荐阅读

640?wx_fmt=png

你点的每个“在看”，我都认真当成了AI

AI科技大本营
关注
  • 5
    点赞
  • 踩
  • 19
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
图嵌入（Graph embedding）综述论文.zip
10-30
一篇关于图嵌入（Graph embedding）的综述论文，欢迎大家下载学习。
Graph Embedding Survey
05-02
Graph is an important data representation which appears in a wide diversity of real-world scenarios. Effective graph analytics provides users a deeper understanding of what is behind the data, and thus can benefit a lot of useful applications such as node classification, node recommendation, link prediction, etc. However, most graph analytics methods suffer the high computation and space cost. Graph embedding is an effective yet efficient way to solve the graph analytics problem. It converts the graph data into a low dimensional space in which the graph structural information and graph properties are maximumly preserved. In this survey, we conduct a comprehensive review of the literature in graph embedding. We first introduce the formal definition of graph embedding as well as the related concepts. After that, we propose two taxonomies of graph embedding which correspond to what challenges exist in different graph embedding problem settings and how the existing work address these challenges in their solutions. Finally, we summarize the applications that graph embedding enables and suggest four promising future research directions in terms of computation efficiency, problem settings, techniques and application scenarios.
graph embedding相关论文整理
07-08
个人整理的最近几年比较好的graph embedding算法相关的论文。
图神经网络推荐，graph embedding
最新发布
12-15
图embedding 图神经网络，基础学习相关任务参考
2019-Graph Embedding on Biomedical Networks, Methods, Applicatio
08-08
摘要：近年来，旨在自动学习低维节点表示的图嵌入学习越来越受到关注。迄今为止，最新的图嵌入方法主要是在社会和信息网络上进行评估，尚未在系统实验和分析的生物医学网络
原创 | 假期必读：一文看尽2019-2020各大顶会GNN论文（附链接）
数据派THU
01-20 2792
纵观2019年包括深度学习、计算机视觉、文本处理以及数据挖掘在内的顶级会议，图学习相关的论文较于之前都有十分明显的增长。而就 2020的情况来看，这个趋势还在不断扩大。总之，Graph ...
GCN-图卷积神经网络算法讲解（通俗版）
weixin_50706330的博客
10-24 2万+
GCN-图卷积神经网络算法讲解（通俗版）
GCN-图卷积神经网络算法简单实现（含python代码）
热门推荐
weixin_50706330的博客
10-29 3万+
GCN-图卷积神经网络算法简单实现（含python代码）
GCN算法及实例分析
qq_45944185的博客
09-26 6371
一.GCN前瞻知识 1.图卷积计算公式:H(l+1)=σ(D~−12A~D~−12H(l)W(l))\mathrm{H}^{(l+1)}=σ(\widetilde{D}^{-\frac{1}{2}}\widetilde{A}\widetilde{D}^{-\frac{1}{2}}H^{(l)}W^{(l)})H(l+1)=σ(D−21​AD−21​H(l)W(l)) A~=A+I\widetilde{A}=A+IA=A+I D~=∑jA~ij\widetilde{D}=\sum_j\widetilde{A}
【Graph Neural Network】GCN: 算法原理，实现和应用
浅梦的学习笔记
08-18 6543
半年前写过一系列关于Graph Embedding技术的介绍文章， 【Graph Embedding】DeepWalk：算法原理，实现和应用 【Graph Embedding】LINE：算法原理，实现和应用 【Graph Embedding】Node2Vec：算法原理，实现和应用 【Graph Embedding】SDNE：算法原理，实现和应用 【Graph Embedding】Struc2Vec...
2020年7月前后必读的六篇与知识图谱表示学习KGRL相关的顶会论文（6篇，附代码）
07-18
2020年07月以来，KDD、ICML、ACL、IJCAI会议论文公布，本文特意整理了最新8篇关于知识图谱的论文，其作者分别来自Amazon、CMU、斯坦福 、Google等。值得大家一起来鉴赏学习。
【论文学习】图神经网络对抗攻击顶会论文汇总（2018-2021年）
qq_38391210的博客
08-19 6258
图对抗攻击 在信贷领域，结合贷款人的金钱交易来评估他的信用情况，人与人的交易记录就是用图来表示。 对于图来说，特征往往是离散的（例如图的结构特征，一条边要么存在，要么不存在）。 对于图来说，很难定义图上的微小扰动。 在图像对抗攻击领域，通常是在训练好的模型上输入扰动图片使其预测错误evasion attack，但是在图对抗攻击领域是让扰动后的图上重训练的模型性能变差，这种攻击被称为投毒攻击。 图卷积网络 图卷积网络被用来解决半监督结点分类问题。 经典的论文 （1）Adversarial Attacks on
2019_WWW_Dual graph attention networks for deep latent representation of multifaceted social effect
weixin_46645827的博客
12-22 1784
Dual graph attention networks for deep latent representation of multifaceted social effects in recommender systems—(The World Wide Web Conference, 2019.05)-- Qitian Wu, Hengrui Zhang, Xiaofeng Gao, Peng He, Paul Weng, Han Gao, Guihai Chen 论文下载地址：https://dl
计算机图形学顶级杂志、会议、期刊
zhuimengshaonian66的博客
09-22 7782
这两天整理了一下图形方面的主要期刊和会议都有什么，还有一些好的资源网站，很宝贵的资源，分享给在计算机图形图像领域苦苦研究的学子们。会议： A类 序号 会议简称 会议全称 出版社 网址 1   ACM SIGGRAPH ACM, ACM TOG http://www.siggraph.org/s2008/ 2 Vis ...
顶会论文看图对比学习（GNN+CL）研究趋势
sinat_22510827的博客
07-03 630
随着对比学习（Contrastive Learning）在 CV、NLP 等领域大放异彩，其研究热度近年来也逐步走高。在图学习领域，由于图（Graph）数据也存在缺少标签或难以标注的问题，自 2020 年来，研究者们也着力于将对比学习技术应用于图表示学习任务上，取得了十分不错的效果，这一系列算法研究称为 图对比学习（Graph Contrastive Learning）。由于图是一种离散的数据结构，且一些常见的图学习任务中，数据之间往往存在紧密的关联（如链接预测）。如何针对这些特性设计图对比学习算法、对比学
从全球顶级数据库大会 SIGMOD 看数据库发展趋势
weixin_44324814的博客
12-22 836
全球顶级数据库大会 SIGMOD 数据库大佬云集，从中我们能看到未来的数据库趋势是 AI+，机器学习的应用将持续增长，以及偏硬件发展带来的内存研究，in memory、persistent memory…
图神经网络之图卷积网络——GCN
zbp_12138的博客
11-27 5315
图卷积网络——GCN一、前置基础知识回顾图的基本概念构造图神经网络的目的训练方式二、回顾卷积神经网络在图像及文本上的发展图像上的卷积网络文本上的卷积网络图卷积网络的必要性三、图卷积网络从图像卷积类比到图结构卷积图卷积网络的计算公式邻接矩阵度矩阵理解计算公式用消息传递的方式实现图卷积网络消息传递的步骤1. 边上的源节点，往目标节点发送特征——Send2. 目标节点对收到的特征进行聚合——Recv一个例子理解消息传递的作用深入理解AH(l)AH^{(l)}AH(l)图卷积网络在 PGL 的实现用多层图网络完成节
图神经网络三大基础算法--GCN
weixin_45636780的博客
10-09 213
如下图的绿色 Hidden 层，Hidden 层的每个单元都与 Input 层的所有单元相连接，同理 Output 层的与 Hidden 层的也是如此。如下图，我们可以看到我们输入一个图通过GCN之后输出一个图，图的结构是不变的，但是由原始特征的C维变成了F维；不难发现，这个相乘是将邻居特征都聚合起来了，如：1节点，聚合它所连接的2，3节点的特征；3.最后，通过parse_arg()函数读取Parser对象里的从参数，并将其打印出来；去相乘，可以得出结论，加入了自连接的，从下面我们可以对比，使用。
【NeurIPS2020视频解读】图机器学习热门方向及应用
weixin_45519842的博客
12-31 397
在NeurIPS2020的演讲中，Google Graph Mining团队的创始人Vahab Mirrokni全面地介绍了Graph Mining and Learning。本讲座涉及...
Graph embedding、word embedding、Graph CNN
06-12
Graph embedding是一种将图形数据表示为低维向量的技术，它可以将图形数据中的节点和边表示为向量，然后利用这些向量进行机器学习任务，如图形分类、聚类等。Graph embedding可以帮助我们更好地理解图形数据，并将其...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值