在看《图深度学习》这本书时候记录的一些要点,每节序号和书的章节号对应可以翻阅。
Ⅰ是基础概念,Ⅱ是GNN的重点内容,Ⅲ是扩展知识。
Ⅳ是实际应用,Ⅴ是前沿进展,有需要的话可以深入了解。
Ⅰ《图深度学习》二、三章学习笔记(图论基础、深度学习基础)
Ⅱ《图深度学习》四、五章学习笔记(图嵌入、图神经网络)
Ⅲ《图深度学习》六、七、八、九章学习笔记(GNN的可扩展性、健壮性、复杂图、其他深度模型)
Ⅳ《图深度学习》十、十一、十二、十三章学习笔记(GNN在NLP、CV、数据挖掘、医疗领域的应用)
Ⅴ《图深度学习》十四、十五章学习笔记(高级方法、高级应用)
文章目录
第十章——第十三章 图神经网络的实际应用
第十章 自然语言处理
10.2 语义角色标注
语义角色标注(SRL):旨在发现句子中隐藏的谓语-论元结构。
可以在依存语法树(Syntactic Dependency Tree)上利用GNN融合句法信息,以提高SRL的性能。
10.3 神经机器翻译
编码器和解码器通常都采用循环神经网络或其变体建模。
10.4 关系抽取
关系抽取(RE):旨在区分句子中两个实体之间是否存在关系(即句子的主语和宾语)。
10.5 问答系统
机器阅读理解(RC)或问答(QA):旨在通过理解文档生成给定查询或问题的正确答案。
10.5.1 多跳问答任务
多跳问答任务:需要跨文档推理来回答给定的查询。
WIKIHOP数据集:专门为评估多条问答模型而创建的数据集,由一组问答样本组成。
10.5.2 Entity-GCN
为了捕获文档内和文档间实体之间的关系,从而提升跨文档的推理性能,可以将支持文档内和文档间对候选答案的提及进行连接,从而将多跳问答任务中的每个样本组织成图。使用Entity-GCN学习节点表示,用它们来从给定查询的候选集中识别正确答案。
10.6 图到序列学习
Graph2seq、GraphSAGE-Filter
10.7 知识图谱
图神经网络可以扩展到知识图谱中用于学习节点表示,从而辅助各种下游任务,包括知识图谱补全、节点重要性评估、实体链接和跨语言知识图谱对齐。
处理知识图谱中关系边的方法主要有两种:
1)将边的关系信息纳入图滤波器的设计中;
2)通过捕获关系信息,将关系知识图谱转化为简单的无向图。
第十一章 计算机视觉
图神经网络代表性算法在计算机视觉任务中的应用:
- 视觉问答
- 基于骨架的动作识别
- 图像分类
- 零样本图像分类:在没有任何新类别的训练图像的情况下,学习一个能够识别新类别的分类器。
- 少样本图像分类:一些类别只有 k k k个带标记的图像,其中 k k k非常小,为0时等同于零样本学习。
- 多标签图像分类:预测给定图像中存在的一组物体。
- 点云(Point Cloud)学习
第十二章 数据挖掘
图神经网络模型在数据挖掘中的典型任务有:
- 万维网数据挖掘
- 社交网络分析
- 社会影响力预测
- 社交表示学习
- 政治观点检测
- 推荐系统(协同过滤)
- 社交网络分析
- 城市数据挖掘
- 交通预测
- 空气质量预测
- 网络安全数据挖掘
- 恶意账户检测
- 虚假新闻检测
第十三章 生物化学和医疗健康
图神经网络模型在生物化学和医疗健康中的应用有:
- 药物开发与实现
- 分子表示学习
- 分子图生成
- 药物-靶标结合亲和力预测
- 蛋白质相互作用界面预测
- 药物相似性整合
- 复方药物副作用预测(多模态图)
- 药物推荐和疾病预测