本文介绍了石川老师关于GNN在知识图谱中的应用，包括表示学习、知识获取和应用，如自然语言理解、问答系统。此外，提到了针对长尾关系的FAGNN模型。肖仰华老师则探讨了认知智能的概念，强调知识图谱在数据、信息和知识之间的关联，并提出了知识获取的四种范式和知识表示的两种方式。
石川: GNN and its application in knowledge graph
www.shichuan.org
有关知识图谱的网络表示学习和关联预测主要分为两种方法：
- shallow model：随机游走，矩阵分解
- Deep model：DNGR,SDNE(Autoencoder), GNN based model（GCN, graphsage）
石川老师介绍了有关知识图谱的若干个可能的研究方向：
- 有关知识的表示学习，可以分为表示的空间、映射函数，编码的模型，可视化等
- 知识的获取，包括实体识别，关系提取，知识图谱补全
- 知识图谱的应用包括自然语言理解，问答与对话、推荐系统等
- 时间序列的知识图谱（动态知识图谱）
对节点的表示学习，石川老师介绍了一种方法（AM-GNN）能够判断究竟是图结构的表示还是节点的特征表示更能够表示这个知识图谱：
Adaptive Muti-Channel Graph Convolutional Networks&#x
最低0.47元/天 解锁文章
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
