![](https://img-blog.csdnimg.cn/20201014180756930.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
异质图
文章平均质量分 91
饮冰l
这个作者很懒,什么都没留下…
展开
-
论文笔记:AAAI 2021 SDGNN: Learning Node Representation for Signed Directed Networks
前言论文链接:https://arxiv.org/pdf/2101.02390.pdfgithub:https://github.com/huangjunjie95/SiGAT原创 2021-03-03 18:05:01 · 2403 阅读 · 4 评论 -
知识图谱嵌入经典方法(Trans系列、KG2E)
1. 知识图谱嵌入相关内容部分来自:https://zhuanlan.zhihu.com/p/1475420082.1 知识表示的一些背景知识通常,我们使用三元组(head, relation, tail)来表示知识。在这里,头和尾是实体。例如,(sky tree, location, Tokyo)。我们可以用独热向量来表示这个知识。但实体和关系太多,维度太大。当两个实体或关系很近时,独热向量无法捕捉相似度。受Wrod2Vec模型的启发,我们想用分布表示来表示实体和关系。1.1.1 下游任务的应用原创 2020-11-01 11:05:38 · 6998 阅读 · 0 评论 -
异质信息网络和知识图谱
1. 前言最近在研究异质信息网络,发现知识图谱无论是在建模方式还是下游任务都与异质信息网络有很大的相似性。在这里简单介绍一下知识图谱的相关概念和从网上找来的知识图谱嵌入综述类的文章或者博客进行总结。比较分析一下异质信息网络表示和知识图谱嵌入之间的异同文中截图来源于自己做的组会分享ppt,非常简陋…部分比较精美的图片来源于知乎文章的插图和 https://www.zhihu.com/people/Jhy1993 一片分享ppt2. 异质信息网络和知识图谱2.1 异质信息网络现实生活中形形原创 2020-10-31 11:36:00 · 7001 阅读 · 2 评论 -
论文笔记:ICLR 2020 Composition-based Multi-Relational Graph Convolutional Networks
1. 前言论文链接:https://arxiv.org/abs/1911.03082?context=stat.MLgithub:https://github.com/malllabiisc/CompGCN原创 2020-10-26 17:02:21 · 2025 阅读 · 0 评论 -
论文笔记:ESWC 2018 Modeling Relational Data with Graph Convolutional Networks
前言论文链接:https://arxiv.org/pdf/1703.06103.pdfgithub:https://github.com/kkteru/r-gcn本文提出了一种将图卷积操作应用与知识图谱的变体–R-GCN,知识图谱与传统同质图的最大区别在于知识图谱存在多种类型的节点和边,虽然边的定义没有特殊含义但是连接不同节点的边存在不同的语义信息,如果同时进行处理会造成很大的误差。个人认为知识图谱与异质图非常像,好像也没有人对这两者的关系作出一个很明确的定义,而且好像两边都是各玩各的…基于此作者原创 2020-10-25 14:46:01 · 718 阅读 · 0 评论 -
论文笔记:WWW 2020 MAGNN: Metapath Aggregated Graph Neural Network for Heterogeneous Graph Embedding
1. 前言论文链接:https://dl.acm.org/doi/10.1145/3292500.3330673github:https://github.com/cynricfu/MAGNN异质图嵌入是将异质图的丰富结构信息嵌入到低维节点表示中。现有的模型通常是定义一个异质图中的多个元路径,用于捕获复合关系和指导邻域选择。然而,这些模型存在着几个问题省略节点内容特性沿着元路径丢弃中间节点只考虑一个元路径为了解决这三个问题,本文提出了一种新的异质图神经网络(MAGNN)模型来提高算法的性能原创 2020-10-24 15:13:38 · 1959 阅读 · 1 评论 -
论文笔记:NIPS 2019 Graph Transformer Networks
1. 前言论文链接:https://arxiv.org/pdf/1911.06455.pdfgithub:https://github.com/seongjunyun/Graph_Transformer_NetworksGNN 被广泛应用于图表示学习中,并且具有显著的优势。然而,大多数现有的 GNNs 被设计用于学习固定的同构图上的节点表示。在学习一个由各种类型的节点和边组成的异构图的表示时,这些限制尤其会成为问题。在本文中提出了能够生成新的图结构的图变网络(GTNs),它包括识别原始图上未连接节点之原创 2020-10-23 20:47:44 · 2005 阅读 · 3 评论 -
论文笔记:KDD 2017 metapath2vec: Scalable Representation Learning for Heterogeneous Networks
前言论文链接:http://hanj.cs.illinois.edu/cs512/survey_slides/4-5-metapath2vec-KDD17.pdfgithub:https://github.com/apple2373/metapath2vec本文研究了异构网络中的表示学习问题。异质网络的主要难点来自于多种类型的节点和链接的存在,限制了传统网络嵌入技术的可行性。本文基于此设计了两个可伸缩表示学习模型,metapath2vecmetapath2vecmetapath2vec 和 metap原创 2020-10-20 17:24:54 · 1850 阅读 · 0 评论 -
论文笔记:WWW 2020 Heterogeneous Graph Transformer
1. 前言论文链接:https://arxiv.org/abs/2003.01332github:https://github.com/acbull/pyHGT近年来,图神经网络(GNNs)在结构化数据建模方面取得了巨大的成功。但是,大多数GNN为同构图设计,同构图中所有的节点和边都属于相同的类型,这使得它们无法表示异构结构。本文中提出了一种异构图转换器(HGT)体系结构来建模网络规模的异构图。为了对异质性进行建模,本文设计了节点和边类型相关的参数来表征每个边缘上的异质性注意,使HGT能够对不同类型的原创 2020-10-17 15:30:36 · 3502 阅读 · 4 评论 -
LSTM 和 Bi-LSTM
前言:转载于https://blog.csdn.net/Smile_mingm/article/details/105202022什么是LSTM与Bi-LSTMLSTM的全称是Long Short-Term Memory,它是RNN(Recurrent Neural Network)的一种。LSTM由于其设计的特点,非常适合用于对时序数据的建模,如文本数据。BiLSTM是Bi-directional Long Short-Term Memory的缩写,是由前向LSTM与后向LSTM组合而成。两者在自转载 2020-10-15 15:28:36 · 5651 阅读 · 0 评论 -
论文笔记:KDD 2019 Heterogeneous Graph Neural Network
1. 前言论文链接:https://dl.acm.org/doi/10.1145/3292500.3330961github:https://github.com/chuxuzhang/KDD2019_HetGNN该文提出了一种基于深层模型的异质网络表示学习的方法HetGNN。异构图的表示学习旨在为每个节点寻求一个有意义的向量表示,以便于链接预测、个性化推荐、节点分类等下游应用。然而,这个任务是挑战不仅因为需求将异构结构(图)组成的多种类型的节点和边的信息,但也需要考虑异构属性或内容(文本或图像)与原创 2020-10-14 21:07:13 · 1600 阅读 · 0 评论 -
论文笔记:WWW 2019 Heterogeneous Graph Attention Network
1.前言论文链接:https://arxiv.org/pdf/1903.07293v1.pdfgithub:https://github.com/Jhy1993/HAN图神经网络作为一种基于深度学习的功能强大的图表示技术,表现出了优越的性能,引起了广泛的研究兴趣。然而,对于包含不同类型节点和链接的异构图,图神经网络并没有充分考虑到这一点。异构性和丰富的语义信息给异构图的图神经网络设计带来了很大的挑战。最近,深度学习领域最令人兴奋的进展之一是注意力机制,其巨大的潜力在各个领域都得到了很好的展示。本文首原创 2020-10-10 21:17:17 · 1056 阅读 · 1 评论 -
北邮石川教授:「异质信息网络」研究现状及未来发展
本文转载自:https://www.leiphone.com/news/201801/MpY4WF11OTnFLp7y.html图片均来源于转载地址异质信息网络研究现状及未来发展一、引言现实生活中的大多数实际系统是由大量相互作用、类型不同的组件构成,当前的分析方法通常将其建模为同质信息网络(Homogeneous information network)。采用同质网络的建模方法往往只抽取了实际交互系统的部分信息,或者没有区分交互系统中对象及关系的差异性,这些做法都会造成信息不完整或信息损失。最近,转载 2020-10-10 11:30:37 · 2218 阅读 · 0 评论