图神经网络研讨会

发表于 | 分类于 | 浏览 次
字数统计: 516 | 阅读时长 ≈ 1

在线图神经网络研讨会

网络表示学习

  • 网络表示的关键问题：
    如何定义图中节点的相似性

图神经网络及认知推理

网络上的学习任务：

  • 节点分类：给定一个点，预测其类别
  • 链接预测：给2个点，预测这2个点是否相连
  • community detection：找子图
  • 网络相似度：2个网络或子网络的相似度

回顾网络表示学习

给定一个网络，学习节点的低维表示，如果2个节点距离很近，那这2个节点的表示也要相似。
挑战：

  1. CNN只适用于网格(二维)，但是网络是一个拓扑机构
  2. RNN适用于文本/序列，这种都有先后关系，但是网络没有先后关系
  3. 网络是动态的，节点有属性，并且网络还有结构属性

网络表示学习发展：

  1. 使用word2vec来做网络表示学习，即DeepWalk
  2. 根据DeepWalk进行扩展：
    • LINE：一阶和二阶相似性
    • PTE：异构网络
    • Node2vec：biased random walk

网络表示学习的本质：
都是在做矩阵分解，SVD分解，只是分解的形式不一样。
图表示学习结合的是context信息，用上下文信息来做网络表示学习。

问题：

GNN

异质图

同质网络：网络中只有一种类型的节点或边
异质网络：网络中有多类节点或边

首先分解出网络中的对象，以及对象之间的关系。
例如：作者-论文-会议，一个网络中有3类节点。
其中对象之间的关系（Meta path）有：

  • 作者1-论文-作者2（2个作者共同合作一篇论文）
  • 作者1-论文-引用论文1，作者1写论文，引用了其他论文
  • ……

模型

  1. Metapath2Vec
    基于meta path的随机游走，
  2. HERec
    解决异质图中节点的表示，将异质图变成同质图，在同质图中用DeepWalk或LINE学习节点表示
  3. HIN2Vec
    随机游走抽取出点边序列
  4. MCRec
打赏
0%