PDF下载:https://download.csdn.net/download/qq_40507857/14933374
B站视频:https://www.bilibili.com/video/BV1bK4y1t7Pw?p=1
GCN发论文的方向:
- 拿到数据,新建图,在图结构上创新,融入图论知识,这个比较难。
- 以前用CNNs和GAN做的任务,用GCN再做一遍,看看效果怎样,这个比较容易。
图卷积神经网络在推荐系统的应用
深度学习
深度学习:
- 权重分配
- 层级结构
- 欧几得空间数据
图结构数据
- 现实中有大量数据是非欧几里得结构。
- 社交网络
- 科学网络
- 通信网络
- 多用户系统
- 传统的深度学习平台无法完成这类学习(CNNs和RNNs)
- 这类数据无法通过一维、二维或者三维的欧几里得结构表达
GCN背景和基本框架
图卷积发展历史
- Graph Convolutional Networks(GCNs)
- 回顾:邻接矩阵
图卷积基本框架
- 关键:在节点和社区间进行信息传递
回顾: 卷积神经网络
图卷积
图卷积的演示
基于知识图谱的GCN
知识图谱
G(A,X):
- 节点:每个实体
- 边:实体间的关系
- 特征:实体的性质
KGCN
数据:
- 用户: U = { u 1 , u 2 , ⋯ } U=\{u_1,u_2,\cdots\} U={u1,u2,⋯}
- 实体: V = { v 1 , v 2 , ⋯ } V=\{v_1,v_2,\cdots\} V={v1,v2,⋯}
- y u v y_{uv} yuv=1:用户u与实体v有联系
- 关系: R = { r 1 , r 2 , ⋯ } R=\{r_1,r_2,\cdots\} R={r1,r2,⋯}
- 特征:H矩阵
图卷积:
- Label smoothing Regularization
KGCN:伪代码
KGCN:结果演示
RGCN for Knowledge Graph
两个任务:
- 链接预测(缺失三元组的恢复)
- 实体分类(为实体分配类型或分类属性)
例如:“Mikhail Baryshnikov was educated at the Vaganova Academy”,可以得到:
a. Mikhail Baryshnikov 的标签是person
b. (Mikhail Baryshnikov, lived in, Russia)三元组属于这个图
RGCN for Knowledge Graph
Hyper GCN
热门GCN应用
人体姿势识别
用户推荐系统
舆情监控
自动驾驶
总结
- 介绍了图卷积的背景知识和基本框架
- 详细说了图卷积应用于知识图谱
- 现阶段图卷积的研究领域和方向:人体姿势识别、超图、图构建、子图嵌入
- 图卷积未来可解决的工业问题:用户推荐系统、舆情监控和控制、自动驾驶等等