模型篇
清华孙茂松组:入门GNN必读35篇
High
- 【图神经网络】MixHop: Higher-Order Graph Convolution Architectures via Sparsified Neighborhood Mixing
#开源论文# #ICML 2019# 本文是图分析大牛Bryan Perozzi组发表于ICML 2019的工作。本文argue现有的GNN模型无法学习到一种很通用的邻居混合信息,然后提出了MixHop来混合不同阶邻居的信息并学习节点表示。MixHop非常的高效并且有很强的理论背景(MixHop与delta operators之间的联系)。另外,通过混合各阶信息,MixHop一定程度上避免了GNN过平滑问题。GNN的过平滑问题:随着层数的增加,GNN所学习到的节点表示变的没有区分度。 最后作者通过大量的试验验证了MixHop的效果。在Citeseer,Cora和Pubmed上,MixHop都取得了大量提升。例如,虽然MixHop没有使用注意力机制来学习邻居的重要性,但其表现依然大幅超过GAT。
Reasoning
- 《OpenDialKG: Explainable Conversational Reasoning with Attention-based Walks over Knowledge Graphs》(ACL 2019) GitHub:
Recommendation
- 《DKN: Deep Knowledge-Aware Network for News Recommendation》(WWW 2018)
- 《Reinforced Negative Sampling for Recommendation with Exposure Data》(IJCAI 2019) GitHub:
Semantic Segmentation
- 《Real-time Localized Style Transfer with Semantic Segmentation》(ICCV 2019) GitHub
- 《CenterMask: Real-Time Anchor-Free Instance Segmentation》(2019) GitHub:
Classification
- 《DropEdge: Towards Deep Graph Convolutional Networks on Node Classification》
- 《Aspect-based Sentiment Classification with Aspect-specific Graph Convolut