原创 | 假期必读：一文看尽2019-2020各大顶会GNN论文（附链接）

纵观2019年包括深度学习、计算机视觉、文本处理以及数据挖掘在内的顶级会议，图学习相关的论文较于之前都有十分明显的增长。而就 2020的情况来看，这个趋势还在不断扩大。总之，Graph Neural Network 在2019- 2020年之间，力压 Deep Learning、GAN等，成为各大顶会的增长热词，且GNN在各个领域越来越受到欢迎，包括社交网络、知识图谱、推荐系统，甚至生命科学。大家在假期期间不妨收藏起来慢慢读。

KDD 2019

1、Cluster-GCN: An Efficient Algorithm for Training Deep and Large Graph Convolutional Networks

作者：Wei-Lin Chiang; Xuanqing Liu; Si Si; Yang Li; Samy Bengio; Cho-Jui Hsieh;

推荐理由：这篇论文提出了一种新的基于图聚类结构且适合于基于SGD训练的GCN算法——Cluster-GCN，高效解决工业界训练大规模深层图卷积神经网络问题，性能大幅提升基础上依靠可训练更深层网络优势达到SOTA效果，并开源了源代码。

地址：https://arxiv.org/pdf/1905.07953.pdf

2、Conditional Random Field Enhanced Graph Convolutional Neural Networks

作者：Hongchang Gao; Jian Pei; Heng Huang;

推荐理由：为解决图神经网络的隐藏层的问题，作者们提出了一种新的CRF层用于图卷积神经网络，以使得相似节点具有相似的隐藏特征。这样，可以显式地保存相似性信息。此外，作者提出的CRF层易于计算和优化。因此，它可以很容易地插入到现有的图卷积神经网络中，提高其性能。同时，他们用大量的实验结果验证了CRF层的有效性。

地址：

https://www.kdd.org/kdd2019/accepted-papers/view/conditional-random-field-enhanced-graph-convolutional-neural-networks

3、DEMO-Net: Degree-specific Graph Neural Networks for Node and Graph Classification

作者：Jun Wu; Jingrui He; Jiejun Xu;

推荐理由：为了解决图神经网络的一些局限性问题，作者们提出了一种基于Weisfeiler- Lehman图同构测试的通用degree-specific图神经网络DEMO-Net。在多个节点和图分类基准数据集上的实验结果表明，他们提出的DEMO-Net相对于最先进的图神经网络模型的有效性和高效性。

地址：

https://arxiv.org/abs/1906.02319?context=cs

4、GCN-MF: Disease-Gene Association Identification By Graph Convolutional Networks and Matrix Factorization

作者：Peng Han; Peng Yang; Peilin Zhao; Shuo Shang; Yong Liu; Jiayu Zhou; Xin Gao; Panos Kalnis;

推荐理由：发现疾病基因关联是一项基础性和关键性的生物医学任务，它有助于生物学家和医生发现症候的致病机制。基于网络的半监督学习(NSSL)是这些研究中常用的一种方法，它利用各种临床生物标志物来测量基因和疾病表型之间的相似性，来解决这个类平衡的大规模数据问题。然而，大多数现有的NSSL方法都是基于线性模型的，存在两个主要限制:1)它们隐式地考虑每个候选对象的局部结构表示; 2)他们无法捕捉疾病和基因之间的非线性联系。这篇文章将图卷积网络(GCN)和矩阵因子分解相结合，提出了一种新的疾病基因关联任务框架GCN-MF。在GCN的帮助下，作者可以捕获非线性相互作用，并利用测量到的相似性。此外，他们定义了一个边际控制损失函数，以减少稀疏性的影响。实验结果表明，所提出的深度学习算法在大多数指标上都优于其他最先进的方法。

地址：

https://www.kdd.org/kdd2019/accepted-papers/view/cluster-gcn-an-efficient-algorithm-for-training-deep-and-large-graph-convol

5、Estimating Node Importance in Knowledge Graphs Using Graph Neural Networks

作者：Namyong Park; Andrey Kan; Xin Luna Dong; Tong Zhao; Christos Faloutsos;

推荐理由：在这篇文章中，作者们提出了GENI，一种解决知识图谱（KG）中节点重要性估计问题的方法，作者通过predicate-aware注意力机制和灵活的中心性调整来执行重要性分数的聚合，而不是聚合节点嵌入。在他们对GENI和现有方法的评估中，GENI在预测具有不同特征的真实KG中节点重要性方面比现有方法高出5-17%。

地址：https://arxiv.org/abs/1905.08865

6、Graph Recurrent Networks with Attributed Random Walks

作者：Xiao Huang; Qingquan Song; Yuening Li; Xia Hu;

推荐理由：作者研究了在attributed网络上进行联合随机游动，并利用它们来提高深度节点表示学习。他们提出的框架GraphRNA由两个主要组件组成：一种协作游走机制—AttriWalk，以及一种为随机游走量身定制的深度嵌入体系结构，称为图递归网络(graph recurrent networks ，GRN)。AttriWalk使我们能够将突出的深度网络嵌入模型-图卷积网络推向一个更有效的架构——GRN。GRN赋予节点表示以与原始attributed网络中的节点交互相同的方式进行交互。在真实数据集上的实验结果表明，与目前最先进的嵌入算法相比，GraphRNA算法很有效。

地址：

https://www.kdd.org/kdd2019/accepted-papers/view/graph-recurrent-networks-with-attributed-random-walks

7、Representation Learning for Attributed Multiplex Heterogeneous Network