知识图谱、图神经网络等一周论文整理(一)

最新推荐文章于 2024-07-28 10:32:30 发布
最新推荐文章于 2024-07-28 10:32:30 发布
阅读量1.9k 收藏 8
点赞数
分类专栏： 一周论文classification 文章标签： 神经网络 机器学习 知识图谱 图论
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_38382642/article/details/103585933
版权
本文整理了图神经网络（GNN）在多个领域的应用，包括高阶邻居混合、推理、推荐系统、语义分割、分类、实体链接、识别、聚类和强化学习等方面的研究成果。涉及的论文涵盖了ICML、ACL、WWW、ICCV等多个顶级会议，展示了GNN在解决复杂问题上的潜力和创新应用。
摘要由CSDN通过智能技术生成

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
最低0.47元/天 解锁文章
NERV_Dyson
关注
专栏目录
AIGC从入门到实战：AI 生成思维导图，一分钟完成原先需要一个月才能完成的任务
程序员光剑
05-30 1023
随着人工智能技术的不断发展，AI生成内容（AIGC）已经成为了一个热门话题。传统的思维导图制作通常需要耗费大量的时间和精力，尤其是在信息量庞大的情况下。然而，AI技术的引入使得这一过程变得更加高效和智能化。AI生成思维导图的核心算法主要包括文本分析、主题提取、节点生成和图形布局等步骤。通过对输入文本进行分析，提取出关键主题和子主题，然后生成对应的节点和连线，最终形成思维导图。本文介绍了AI生成思维导图的基本原理、算法实现和实际应用。
论文浅尝 | 利用知识图谱增强神经网络来解决自然语言处理的任务
开放知识图谱
04-27 2384
Citation: K. M. Annervaz, Somnath Basu Roy Chowdhury, and AmbedkarDukkipati. Learning...
最新最全论文合集——图神经网络在知识图谱上的应用
AI_Conf的博客
04-20 433
AMiner平台（https://www.aminer.cn）由清华大学计算机系研发，拥有我国完全自主知识产权。平台包含了超过2.3亿学术论文/专利和1.36亿学者的科技图谱，提供学者评价、专家发现、智能指派、学术地图等科技情报专业化服务。系统2006年上线，吸引了全球220个国家/地区1000多万独立IP访问，数据下载量230万次，年度访问量超过1100万，成为学术搜索和社会网络挖掘研究的重要数据和实验平台。 必读论文：https://www.aminer.cn/topic 论文集地址：https:/.
探索图神经网络新境界：MixHop与N-GCN的TensorFlow实现
gitblog_00066的博客
06-23 668
探索图神经网络新境界：MixHop与N-GCN的TensorFlow实现 项目地址:https://gitcode.com/samihaija/mixhop 在当今数据密集型的时代，图数据无处不在，从社交网络到化学分子结构，再到信息检索系统。为高效处理这些复杂网络中的信息，图神经网络（GNN）应运而生。本文将向您介绍两个前沿的图卷积架构——MixHop和N-GCN，其官方TensorFlow实现不...
ACL 2019开源论文 | 基于图匹配神经网络的跨语言知识图对齐
Paper weekly
11-30 1081
作者丨王文博学校丨哈尔滨工程大学硕士生研究方向丨知识图谱、表示学习动机在本篇文章之前，跨语言知识图谱对齐研究仅依赖于从单语知识图谱结构信息中获得的实体嵌入向量。并且大多数研究将实体映射到...
【自然语言处理】【知识图谱】基于图匹配神经网络的跨语言知识图谱对齐
bqw的博客
04-13 1821
《基于图匹配神经网络的跨语言知识图谱对齐》 Cross-lingual Knowledge Graph Alignment via Graph Matching Neural Network 一、简介 知识图谱以结构化的形式表示人类的知识，并成功应用到了许多自然语言处理任务中。但是，知识图谱通常是单语言的。为了能够将不同语言的知识图谱链接起来，交叉语言知识图谱对齐任务被提了出来。 近些年研究者提出了许多实体对齐的方法，这些方法将三元组中的知识编码至低维向量空间中。但是，不同语言知识图谱中的实体，其所属的三元
图神经网络（CS224w）学习笔记4 Link Analysis: PageRank (Graph as Matrix)
woshuaizuishuai的博客
04-03 1205
本章主要内容：将图视为矩阵（邻接矩阵）的形式，以线性代数的角度来学习PageRank、随机游走和图嵌入。
基于知识图谱的垃圾自动分类系统设计与实现（开题报告）
最新发布
毕业作品网站
07-28 488
传统的人工分类方式需要大量的人力和时间，而自动化的分类系统则可以利用机器学习算法结合知识图谱中的规则和信息，快速准确地对垃圾进行分类，极大地提高了分类效率，降低了垃圾处理的成本。此外，该系统还有助于促进资源的回收利用，正确分类的垃圾可以被有效地回收利用，减少了资源的浪费，降低了对自然资源的依赖，并且可以减少垃圾对环境造成的污染和破坏，实现了资源的循环利用，促进了经济的可持续发展。在此基础上，建立垃圾分类的本体结构，定义垃圾分类体系的概念及其关系，构建实体间的关联关系，形成完整的知识图谱模型。
万字综述：行业知识图谱构建最新进展
Paper weekly
12-06 3104
作者｜李晶阳[1]，牛广林[2]，唐呈光[1]，余海洋[1]，李杨[1]，付彬[1]，孙健[1]单位｜阿里巴巴-达摩院-小蜜Conversational AI团队[1]，北京航空航天大学...
Is PageRank All You Need for Scalable Graph Neural Networks? pytorch实现
Yonggie的博客
11-17 473
这是我自己写的pytorch的PPRGO的实现。
pvae:庞加莱变分自动编码器的连续层次表示形式的代码
05-05
复制本文中的实验的代码： @inproceedings{mathieu2019poincare, title={Continuous Hierarchical Representations with Poincar\'e Variational Auto-Encoders}, author={Mathieu, Emile and Le Lan, Charline and Maddison, Chris J. and Tomioka, Ryota and Whye Teh, Yee}, booktitle={Advances in Neural Information Processing Systems}, year={2019} } 先决条件 pip install -r -U requirements.txt或python3 setup.py install --u
【论文阅读】（XDC）Self-Supervised Learning by Cross-Modal Audio-Video Clustering
qq_36627158的博客
09-22 845
Self-Supervised Learning by Cross-Modal Audio-Video Clustering （2020 NeurIPS） Humam Alwassel, Dhruv Mahajan, Bruno Korbar, Lorenzo Torresani, Bernard Ghanem, Du Tran Notes Contributions propose Cross-Modal Deep Clustering (XDC), a novel self-supervi
深度图卷积网络系列文章（二）---DropEdge:Toward Deep Graph Convolutional Networks on Node Classification
hjy18154017802的博客
09-17 1880
深度图卷积网络系列文章（二）---DropEdge:Toward Deep Graph Convolutional Networks on Node ClassificationDropEdge:关于节点分类的深度图卷积网络过拟合过平滑DropEdge数据增强器消息传递减少器Layer-wise DropEdgeDropEdge vs Dropout实验结果 DropEdge:关于节点分类的深度图卷积网络 今天分享的一篇文章是DropEdge:Toward Deep Graph Convolutional
图神经网络（十五）DROPEDGE: TOWARDS DEEP GRAPH CONVOLU-TIONAL NETWORKS ON NODE CLASSIFICATION
码匀的博客
03-19 536
本文收录于ICLR2020，作者来自腾讯人工智能实验室和清华大学。当前GCN的发展两个主要问题是过拟合以及过平滑，过拟合削弱了对小数据集的泛化能力，而过平滑则随着网络深度的增加将输出表示从输入特征中分离出来，这极大的阻碍了模型的训练。本文为了解决上述两个问题提出了DropEdge模型，该模型在每个训练周期随机的从输入图中移除一定数量的边，从而达到提高模型性能的目的。此外，作者还从理论上证明了DropEdge既可以降低过平滑的收敛速度，又可以减少由过平滑引起的信息损失，并且DropEdge可以和许多GNN模型
推荐知识图上的强化负抽样
qq_39634092的博客
02-19 1318
阅读笔记 文章：Reinforced Negative Sampling over Knowledge Graph for Recommendation 动机： 目前的研究大多是从未观测数据中进行负采样，为推荐模型的训练提供负信号。然而，现有的负样本策略，无论是静态的还是自适应的，都不足以产生高质量的负样本，既能提供模型训练的信息，又能反映用户的真实需求。 静态采样：使用固定的分布从缺失数据中采样。主要的限制是它独立于模型的状态，容易采样出低质量的负样本。 自适应采样：主要采样hard negatives。
预训练语言模型论文分类整理
zenRRan的博客
07-21 631
点击下面卡片，关注我呀，每天给你送来AI技术干货！© 作者｜王晓磊机构｜中国人民大学高瓴人工智能学院博士生导师｜赵鑫教授研究方向 | 对话系统1. 引言近年来，以 BER...
AMiner会议论文推荐第三十三期
AI_Conf的博客
02-04 491
AMiner平台由清华大学计算机系研发，拥有我国完全自主知识产权。平台包含了超过2.3亿学术论文/专利和1.36亿学者的科技图谱，提供学者评价、专家发现、智能指派、学术地图等科技情报专业化服务。系统2006年上线，吸引了全球220个国家/地区1000多万独立IP访问，数据下载量230万次，年度访问量超过1100万，成为学术搜索和社会网络挖掘研究的重要数据和实验平台。 IJCAI 2020 论文推荐 Multi-Scale Group Transformer for Long Sequence Mode.
论文浅尝 | 基于知识图谱中图卷积神经网络的推荐系统
开放知识图谱
08-27 2623
笔记整理：王若旭，浙江大学在读硕士，研究方向为关系抽取，零样本学习。 本文发表于 www2019，参考链接：https://arxiv.org/pdf/1905.0441...
SEMi：借助图神经网络半自动化构建知识图谱的语义建模工具
"SEMi是一种利用图神经网络进行半自动化知识图谱构建的语义建模工具，能够处理CSV、JSON和XML等结构化数据源，通过领域本体论构建语义模型，推断属性间的正确语义关系，以准确理解数据含义。" SEMi（SEMANTIC ...
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