A.特定领域知识图谱知识推理方案：知识图谱推理算法综述[四]（基于图传播的模型：node2vec、GCN、Graphsage、GeniePath等）算法汇总和应用场景归纳

已于 2023-04-18 20:44:30 修改
阅读量418 收藏 2
点赞数 1
分类专栏： NLP知识图谱相关技术业务落地方案和码源 文章标签： 知识图谱 知识推理 图传播算法 图神经网络 GCN
于 2023-03-10 22:41:21 首次发布
涉及博主原创类文章，未经博主许可不允许转载
本文链接：https://blog.csdn.net/sinat_39620217/article/details/129441270
版权

在这里插入图片描述

知识图谱专栏简介：数据增强，智能标注，文本信息抽取（实体关系事件抽取）、知识融合算法方案、知识推理、模型优化、模型压缩技术等

在这里插入图片描述

专栏详细介绍：知识图谱专栏简介：数据增强，智能标注，文本信息抽取（实体关系事件抽取）、知识融合算法方案、知识推理、模型优化、模型压缩技术等

  • NLP知识图谱相关技术业务落地方案和码源，本专栏会持续更新包含知识图谱（知识融合、知识推理等）、NLP业务落地方案以及码源。
  • 同时我也会整理总结出有价值的资料省去你大把时间，快速获取有价值信息进行科研or业务落地。

推荐参考文章：

了解本专栏 订阅专栏 解锁全文
汀、人工智能
关注
专栏目录
订阅专栏
图神经网络（二十七）GeniePath: Graph Neural Networks with Adaptive Receptive Paths
码匀的博客
04-12 528
本文收录于AAAI2019，作者来自于蚂蚁金服，最近看到很多文章都引用了这篇paper，因此来扫盲。看完了这篇文章觉得文章的创新点还是非常足的，想法也很有深度，OK来到正文部分。本文的method基于一个目标：以往的图卷积都基于聚合固定阶数邻域信息来得到节点表示，那么在图中是否存在一条对节点表示最有贡献的路径，通过对多条这种路径上的节点信息进行有选择的聚合来获得最终的节点表示。可以想象成对一个节点的一阶邻域先做一个重要性评估，然后基于这个一阶邻域中重要的节点进行信息的传播。简单概括摘要：作者提出了一种可扩展
知识图谱专栏简介：数据增强，智能标注，文本信息抽取（实体关系事件抽取）、知识融合算法方案、知识推理、模型优化、模型压缩技术等
丨汀、的博客
04-18 1888
知识图谱专栏简介：数据增强，智能标注，文本信息抽取（实体关系事件抽取）、知识融合算法方案、知识推理、模型优化、模型压缩技术等NLP知识图谱相关技术业务落地方案和码源，本专栏会持续更新包含知识图谱（知识融合等）、NLP业务落地方案以及码源。同时我也会整理总结出有价值的资料省去你大把时间，快速获取有价值信息进行科研or业务落地。
GeniePath：Graph Neural Networks with Adaptive Receptive Paths
zhao254014的博客
10-04 402
研究了图卷积网络寻找有意义的感受路径的问题，由自适应广度函数和自适应深度函数构成的自适应路径层
GeniePath：Graph Neural Networks with Adaptive Receptive Paths 论文详解 AAAI2019
知行合一，止于至善
09-23 3235
文章目录1 相关介绍1.1 感受野的定义贡献2 图卷积网络GCNGCN、GraphSAGE、GATDiscussions3 GeniePath3.1 Permutation Invariant 排列不变性Theorem 1 (Permutation Invariant 排列不变性)Remark 2 (Associative Property 结合律)3.2 Adaptive Path Layer ...
GeniePath: Graph Neural Networks with Adaptive Receptive Paths
algzjh的博客
07-19 684
论文传送门 作者 Ziqi Liu Chaochao Chen Longfei Li Jun Zhou Xiaolong Li Le Song Yuan Qi
【GCN】论文笔记：GeniePath: Graph Neural Networks with Adaptive Receptive Paths
m0_50611867的博客
01-12 657
一种自适应感知路径的GNN：GeniePath前言一、需要提前知道一些1.感受野（receptive field）2.排列不变性(permutation invariant)3.自适应路径层二、为什么要感知路径三、GeniePath1.GeniePath算法核心2.自适应路径层3. 变体：GeniePath-Lazy总结 前言 提示：这里可以添加本文要记录的大概内容： 例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。 提示：以下是本
知识图谱de构建与应用（七）：大规模知识图谱预训练
u013250861的博客
07-16 804
知识图谱虽然包含大量有价值的信息，但通常以三元组形式的结构化数据存储，机器无法直接读取和使用。表示学习能将知识图谱中的实体和关系映射到连续空间中用向量表示，并能利用向量的代数运算，很好地建模知识图谱中的结构特征。向量表示被广泛应用在知识图谱相关任务及NLP任务上，且都取得了不错的效果。针对不同的建模任务和目标，相关工作已经提出了不同的知识图谱表示学习方法。随着GPT、BERT、XLNET等预训练语言模型在多项自然语言处理领域任务上刷新了之前的最好效果，预训练受到了各界的广泛关注。httpshttps。...
知识图谱de构建与应用（三）：知识融合
u013250861的博客
07-16 1399
对于很多需要构建知识图谱的领域，由于从业者甚多，自然而然地会沉淀出数量众多的数据库或知识库，比如在影视子领域，百度百科、维基百科、豆瓣等都是很好的知识库，因而在构建知识图谱的过程中往往会对多个知识库的知识进行合并，以期获得最全面的知识，这个过程就称为知识融合。此外，由于被合并的各个知识库里的知识难免会存在错误，因而知识融合会对多个知识库的知识进行交叉验证，知识融合之后获得的知识相比融合前的单知识库会更准确。由于自然语言的开放性，各个领域的知识融合任务往往面临以下四个难点。（1）异构问题。..........
知识图谱专栏【详细版本】：数据增强，智能标注，文本信息抽取（实体关系事件抽取）、知识融合算法方案、知识推理、模型优化、模型压缩技术等
最新发布
丨汀、的博客
04-18 624
知识图谱专栏简介：数据增强，智能标注，文本信息抽取（实体关系事件抽取）、知识融合算法方案、知识推理、模型优化、模型压缩技术等NLP知识图谱相关技术业务落地方案和码源，本专栏会持续更新包含知识图谱（知识融合、知识推理等）、NLP业务落地方案以及码源。同时我也会整理总结出有价值的资料省去你大把时间，快速获取有价值信息进行科研or业务落地。
知识图谱de构建与应用（四）：知识获取
u013250861的博客
07-16 823
知识获取是构建大规模知识图谱的重要环节，是对知识建模定义的知识要素进行实例化的过程，其依据领域知识表示实现从异构多源、多规模数据中获取知识，为后续知识融合、知识推理计算和知识赋能提供知识支撑。本章会首先介绍知识获取的一些定义、相关子任务以及一些有影响力的国际国内测评会议；然后针对一些比较重要、核心的子任务介绍相关的科学研究进展；最后针对阿里巴巴电商商品知识图谱，结合阿里巴巴的一个具体业务场景，介绍知识获取在产业界的具体实践和应用。1.实体链接任务的输入通常，实体链接任务会包含两部分的输入。[13]和。...
GCN阅读 GeniePath: Graph Neural Networks with Adaptive Receptive Paths
weixin_43537073的博客
01-14 967
本文是关于一种自适应感知路径的GNN GeniePath论文的笔记 文章目录前言一、什么是感受野二、使用步骤1.引入库2.读入数据总结 前言 该神经网络适用于可扩展的，能够学习自适应感受路径的图神经网络框架，他定义在具有排列不变性的图数据上。 排列不变性：指的是输入的顺序改变不会影响输出的值。（在图上体现的排列不变形可能就是节点的输入顺序。） 一、什么是感受野 在卷积神经网络中，感受野的定义是卷积神经网络每一层输出的**特征图（feature map）**上的像素点在原始图像上映射的区域大小。 二
【GCN-RS】基础知识：DeepWalk、Node2Vector、GCN
chadlee
11-18 1029
Graph Learning Method 先从Graph基础知识讲起 DeepWalk 算法可以分为四步： 图a展示了原始的用户行为序列 图b基于这些用户行为序列构建了物品相关图，可以看出，物品A，B之间的边产生的原因就是因为用户U1先后购买了物品A和物品B，所以产生了一条由A到B的有向边。如果后续产生了多条相同的有向边，则有向边的权重被加强。在将所有用户行为序列都转换成物品相关图中的边之后，全局的物品相关图就建立起来了。 图c采用随机游走的方式随机选择起始点，重新产生物品序列。 图d最终将这些物品序
A.特定领域知识图谱知识推理方案：知识图谱推理算法综述[五]-GeniePath会自动过滤多度“邻居“的图神经网络算法。
丨汀、的博客
03-13 261
构图对于GNN格外重要。那么怎样构图才有信息、有意义呢？如果节点的邻居只有自己，即邻接矩阵为对角阵时，GNN会退化成一个DNN模型。图中每个节点都是孤立的，相当图信息并不能相比其他方法带来增益。如果图特别稠密，比如是一个clique，即每个节点都和所有其他节点有边连接。同样的，这样的图信息同样是信息熵为0。经验上讲，节点度分布有区分度的图是相对有价值的。查看图的节点度分布。比如二类分类，分析正负例的图拓扑当然，构图和实际场景强相关。
「经典重温」图表示学习经典算法 node2vec
weixin_45519842的博客
05-03 415
16KDD node2vecimage-20200502131605020node2vec 是斯坦福男神教授 Jure Leskovec 的代表作之一，网上有非常多关于这篇论文的讨论和解...
知识图谱-KGE-语义匹配-双线性模型-2019：RotatE
u013250861的博客
12-07 671
【paper】 RotatE: Knowledge Graph Embedding by Relational Rotation in Complex Space 【简介】 本文是北大和加拿大的研究团队发表在 ICLR 2019 上的文章，提出了 RotatE（Rotation Embedding），主要思想是将实体表示为复向量，关系视为从头实体指向尾实体的旋转（Rotation）。这个模型大概是看明白了的，感觉还是比较巧妙的。RotatE 的提出主要是为了建模三种关系:对称/非对称、反向关系、关系组合这里
跳出公式，看清全局，图神经网络（GCN）原理详解
上善若水
12-01 427
本文转载自公众号：SimpleAI。作者 | 郭必扬 编辑 | CamelGCN问世已经有几年了（2016年就诞生了），但是这两年尤为火爆。本人愚钝，一直没能搞懂这个GCN为何物，最开始是看清华写的一篇三四十页的综述，读了几页就没读了；后来直接拜读GCN的开山之作，也是读到中间的数学部分就跪了；再后来在知乎上看大神们的讲解，直接被排山倒海般的公式——什么傅里叶变换、什么拉普拉斯算子等等，给搞蒙了，越读越觉得：“哇这些大佬好厉害，哎我怎么这么菜！”。 就这么反反复复，尝试一次放弃一次，终于慢慢有点理解了，慢慢
图神经网络总结（GCN/GAT/GraphSAGE/DeepWalk/TransE）
CycloneKid的博客
09-24 1万+
文章目录图神经网络1 游走类模型1.1 DeepWalk随机游走DeepWalk计算节点向量的方式：1.2 Node2VECnode2vec改进后的随机游走方式：1.3 LINE2 消息传递类模型2.1 GCN2.2 GAT2.3 GraphSageGraphSAGE 的采样方法：GraphSAGE 的聚合函数：Mean aggregatorLSTM aggregatorPooling aggregator2.4 HAT元路径（meta-path）meta-path的数学定义：基于meta-path的邻居N
图神经网络综述
热门推荐
liangwqi的博客
11-07 1万+
文章目录 1 简介 1.1 GNN简史 1.2 GNN的相关研究 1.3 GNN vs 网络嵌入 1.4 文章的创新性 2 基本的图概念的定义 3 GNN分类和框架 3.1 GNNs分类 3.2 框架 4 图卷积网络 4.1 基于图谱的GCN 4.1.1 图信号处理 4.1.2 基于谱的GCN方法 4.1.3 总结 4.2 基于空间...
图神经网络论文阅读(十八) GeniePath: Graph Neural Networks with Adaptive Receptive Paths，AAAI2019
qq_36618444的博客
10-12 908
本文作者来自于Ant Financial Services Group和Georgia Institute of Technology。 本文提出一种可扩展的方法，用于学习定义在置换不变图数据上的神经网络的自适应接受域。在GeniePath中，我们提出了一种自适应路径层，它由两个互补的功能组成，分别用于广度和深度的探索，前者学习不同大小邻域的重要性，而后者则从不同跳点的邻域中提取和过滤聚合的信号。在几个数据集上的实验表明，本文的方法是相当有竞争力的，并在大型图表上产生最先进的结果。另一个显著的结果是，我们的
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

打赏作者

汀、人工智能

十分感谢您的支持

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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