本文探讨了图神经网络中边的构建和信息传递方式，特别是在不同类型边的处理上。文章列举了五个实例，涉及学者论文集、常识类知识图谱等数据集，分析了不同边的类型和对应的Embedding方法，如Attention机制、GCN、TransE等。在知识图谱中，边的信息处理更为丰富，而在图像分类的多标签任务中，边的处理相对直接。作者认为边特征处理还有改进空间，期待更多创新方法。
这次主要想看一下图神经网络上的边是怎样去构建的。在图神经网络上边是一种信息传递的过程，但由于依靠的图不一样这种信息传递的类型也不一样，所以在思考这些边的构造是不是也应当各有特色，主要就看了5个，以后看到再更吧。
type-aware anchor link prediction across heterogeneous networks based on graph attention network
数据集：学者论文集
边的类型：
Embedding方法：对不同类型的边都有一种类型的weight，对于边指向的节点，这些节点使用attention的形式衔接在一起。
Composition-based Multi-Relational Graph Convolutional Networks
数据集：常识类知识图谱
边的类型：包括各种类型，正反向
Embedding方法：
对应3种边的方向，对于知识图网络来说剪头指向的两端都会有作用，所以就没有将前两项统一成一种。并且还加入了一种对于边会形成loop的情况设定的weight。之后对于节点的集中采用GCN的形式对各个节点进行信息传播。
End-to-end Structure-Aware Convolutional Networks for Knowledge Base Completion
数据集：常识类知识图谱
边的类型：知识图谱的各种类型
Embedding方法：采用transE方法增强信息的表达能力。TransE：es + er ≈ eo ，即一个目标实体可以由当前实体的向量+边向量的和组合而成。这种合成的信息可以看做kernel当作convolution的输入信息，这样组合起来成为Conv-TransE。（PS：是不是还会有Conv-TransR，Conv-RotatE。。。）
Multi-Label Classification with Label Graph Superimposing
数据集：图像分类的多标签任务
边的类型：标签的共现概率
Embedding方法：结合统计的共现概率和ConceptNet的结果直接对全联接矩阵赋值，如果两种关系都没有那么邻接矩阵会赋值为0，不允许通过。
Graphonomy: Universal Human Parsing via Graph Transfer Learning
数据集：图像分类的多标签任务
边的类型：可训练的邻接矩阵
Embedding方法：由于邻接矩阵是可训练的，所以没有什么特殊的编码方式。不过这篇文章重点在于怎么利用迁移学习的方法去整合多种关系图，所以这个时候这个邻接矩阵也是可以用于这种迁移的。
总结：感觉考虑边的信息更多的还是在知识图谱里，毕竟对于字比较好编码。比较意外的是对于后面两篇做label共现的边就直接这样过去了。。。比较意外。换一种角度想如果把这种共现的概率当作知识，而不是单纯的数值，会不会更好呢。。。但确实直接将概率赋值到邻接矩阵是一种最显而易见的做法。总觉得比较欠缺什么，感觉似乎这些边特征的处理方式还能在想一些更好的方法。。。
扫一扫
3万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
