- 博客(15)
- 收藏
- 关注
RSS订阅原创 论文阅读：Improving Taxonomy-based Categorization with Categorical Graph Neural Networks
我们引入了一类新的基于图的网络结构，我们称之为分类图神经网络 (CaGNN)。CaGNN 旨在利用分类法中类别之间的语义信息和关系信息。类别的类别嵌入是在训练阶段生成的。可以集成这些嵌入以提高下游应用程序的性能。我们的结果表明，所提出的 CaGNN 可以显着提高分类模型的性能。此外，我们还表明注意力机制 (CaGAT) 可以提高模型的整体可解释性。随着在线性能的提高，我们已将模型部署到生产环境中。
2022-12-22 21:55:45
213
1
原创 论文阅读：TaxoExpan
几个世纪以来，分类法一直是组织知识的基础 [39]。在当今的网络中，分类法提供了宝贵的知识来支持许多应用程序，例如查询理解 [14]、内容浏览 [46]、个性化推荐 [15、55] 和网络搜索 [24、45]。例如，许多在线零售商（例如 eBay 和亚马逊）将产品组织成不同粒度的类别，以便客户可以轻松地搜索和导航此类别分类法以找到他们想要购买的商品。此外，网络搜索引擎（例如 Google 和 Bing）利用分类法更好地理解用户查询并提高搜索质量。现有的分类法大多由人类专家或以众包方式构建。
2022-12-21 15:14:06
205
原创 论文阅读：基于图神经网络的分类法自动更新模型
分类法或概念层次结构是实体的树形语义层次结构（下位词-上位词关系）的组合。我们一直专注于从头开始或使用非常有限的种子术语自动构建分类法。然而，在更常见的实际情况下，我们可能需要在现有分类法的基础上演进分类法。在本文中，我们提出了一种基于图神经网络的半监督分类进化算法，以识别新添加术语和现有术语的真实下位词-上位词关系、转导式下位词-上位词关系和假下位词-上位词关系。在本文中，我们提出了基于图神经网络的方法来进化分类法。然而，与最近最先进的算法相比，我们并没有取得太大的成功。
2022-12-19 20:50:08
384
1
原创 论文阅读：SynGCN
在本文中，我们提出了 SynGCN，一种基于图卷积的方法，它利用句法上下文来学习单词表示。SynGCN 克服了词汇量爆炸的问题，并在几个内在和外在任务上优于最先进的词嵌入方法。我们还提出了 SemGCN，这是一个在预训练词嵌入中联合整合多种语义信息的框架。SynGCN 和 SemGCN 的组合提供了最佳的整体性能。我们提供两种模型的源代码以鼓励可重复的研究。
2022-12-19 20:13:22
280
1
原创 论文阅读+实战：SimGNN：A Neural Network Approach to Fast Graph Similarity Computation
图相似性搜索是最重要的基于图的应用程序之一，例如查找与查询化合物最相似的化合物。图相似度/距离计算，例如图编辑距离（GED）和最大公共子图（MCS），是图相似度搜索和许多其他应用程序的核心操作，但在实践中计算成本很高。作者受最近神经网络方法在几种图应用（例如节点或图分类）中取得成功的启发，提出了一种基于神经网络的新方法来解决这个经典但具有挑战性的图问题，旨在减轻计算负担的同时保持良好的性能。
2022-11-30 21:13:21
4725
2
原创 斯坦福图机器学习CS224W笔记自用: Reasoning in Knowledge Graphs using Embeddings
在大型知识图上回答预测性查询
2022-11-30 21:12:05
471
原创 斯坦福图机器学习CS224W笔记自用：Heterogeeneous Graphs and Knowledge Graph Embeddings
TransE中任何关系的平移都在同一嵌入空间中进行建模。TransR将实体建模为实体空间。我们将扩展GCN来处理具有多种边/关系类型的异构图，我们从一个只有一个关系的有向图开始。- 请注意，这与经典的链接预测任务略有不同，这里我们只对特定节点的特定关系感兴趣。基于Distmult，ComplEx在复向量空间中嵌入实体和关系。：对于给定的(头部，关系)，我们预测丢失的尾部。中的向量，并将每个关系建模为具有投影矩阵。ComplEx的评分函数。将实体向量从实体空间。
2022-11-11 15:44:34
572
原创 斯坦福图机器学习CS224W笔记自用：How Expressive are Graph Neural Networks？
节点使用神经网络聚合来自其本地网络邻域的信息生成节点嵌入。到目前为止已经提出了许多 GNN 模型（例如，、、以及这类模型的整个如果所有节点的特征向量相同，我们如何来区分不同的节点呢？我们考虑图中每个节点周围的？GNN通过捕获节点的局部邻域结构并生成节点嵌入：先捕获树的单个级别的结构，然后利用算法捕获树的整个结构。树重点在于，我们能否汇总来自孩子的信息并以某种方式存储这些信息将其传递给树中的父代。
2022-09-24 15:11:00
501
原创 CS224W图机器学习笔记自用：GNN Augmentation and Training
today’s outline：两种图增强的方法：需要增强图的原因：综上所述，输入图不是嵌入的最佳计算图 。为什么我们需要特征增强？第一种情况：解决方法：a）为节点分配常数特征b）为节点分配唯一的ID，这些ID值可以被转换为独热向量两种方法的比较：Constant vs. one-hot第二种方法比第一种方法表达能力更强；第一种方法归纳能力更强，能够很容易地推广到新节点，第二种方法则不行；同时第一种方法的计算开销也更小；第一种方法适用于任意图，同时具有归约能力，能推广到新节点，第二种方法适用于小图，只
2022-09-19 19:53:28
549
原创 斯坦福CS224W图机器学习笔记自用：A General Perspective on Graph Neural Networks
GNN层 = Message（消息转换） + Aggregation（消息聚合）不同的图神经网络架构对这两种操作的定义不同。定义GNN层：将一组向量压缩成一个向量Message。
2022-09-17 10:15:33
417
原创 CS224W图神经网络笔记自用：Graph Neural Networks
Jure Leskovec斯坦福CS224W图机器学习笔记自用：Graph Neural Network
2022-09-06 20:21:25
340
原创 论文阅读：Learning Attention-based Embeddings for Relation Prediction in Knowledge Graphs
图神经网络在知识图谱上的应用之实体关系预测经典论文阅读
2022-09-03 16:26:01
790
原创 CS224W图神经网络笔记自用：Message passing and Node Classification
Correct&Smooth（C&S）使用图形结构对任何基础模型预测的软节点标签进行后期处理。校正步骤：扩散并校正基础预测器的训练误差。平滑步骤：平滑基础预测器的预测。C&S在半监督节点分类方面取得了很好的性能。......
2022-08-31 10:35:30
289
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人