byn12345的博客

论文题目：Rumor Detection on Social Media with Bi-Directional Graph Convolutional Networks论文来源：AAAI 2020 清华大学, 腾讯AI论文链接：https://arxiv.org/abs/2001.06362代码链接：https://github.com/TianBian95/BiGCN关键词：谣言检测，社交媒体，GCN文章目录1 摘要2 引言3 Preliminaries4 Bi-GCN谣言检测模型5 实验.

论文题目：Knowledge Graph Alignment Network with Gated Multi-hop Neighborhood Aggregation论文来源：AAAI 2020 南京大学，阿里巴巴论文链接：https://arxiv.org/abs/1911.08936代码链接：关键词：知识图谱，实体对齐，GNN文章目录1 摘要2 引言3 准备工作3.1 GNN3.2 知识图谱的实体对齐3.3 用于实体对齐的GNN4 知识图谱对齐网络4.1 Gated Multi-hop.

论文题目：Graph-Based Reasoning over Heterogeneous External Knowledge for Commonsense Question Answering论文来源：AAAI 2020 信工所，北大，微软论文链接：https://arxiv.org/abs/1909.05311关键词：知识图谱，机器推理，常识问答，GCN，Attention...

本文转自知乎文章：图神经网络的新基准Benchmarking Graph Neural Networks最近GNN备受关注，相信大家也都能感受到。但是，一旦我们开始阅读相关论文，开展相关的实验时，会发现一些问题。我们一般会从节点分类数据集cora, citeseer, pubmed，图分类PROTEINS， NCI1, NCI109等数据集入手，这些数据集相对都比较小，数据集小不是什么问题...

论文链接：https://arxiv.org/abs/1806.01973论文来源：KDD 2018 斯坦福大学, Pinterest关键词：GCN，推荐系统，web-scale，PinSage本文在GraphSAGE基础上进行改进（去掉了需要将整张图存储到内存中的限制），提出PinSage模型，成功在Pinterest的推荐系统上得到了应用，第一个将图卷积（GCN）在超大规模数据...

论文题目：Event Detection with Multi-Order Graph Convolution and Aggregated Attention论文来源：EMNLP 2019论文链接：https://www.aclweb.org/anthology/D19-1582/代码链接（非官方）：https://github.com/wzq016/MOGANED-Implementa...

论文题目：DROPEDGE: TOWARDS DEEP GRAPH CONVOLU-TIONAL NETWORKS ON NODE CLASSIFICATION论文来源：ICLR 2020论文链接：https://openreview.net/forum?id=Hkx1qkrKPr代码链接：https://github.com/DropEdge/DropEdge关键词：GNN的加深，过拟...

论文题目：Jointly Multiple Events Extraction via Attention-based Graph Information Aggregation论文来源：EMNLP 2018论文链接：https://arxiv.org/abs/1809.09078代码链接：https://github.com/lx865712528/EMNLP2018-JMEE关键词：...

论文题目：Event Detection with Relation-Aware Graph Convolutional Networks论文来源：arXiv 2020.02.25论文链接：https://arxiv.org/abs/2002.10757关键词：事件检测（ED），图卷积神经网络（GCN），句法关系标签文章目录1 摘要2 引言3 相关工作4 方法4.1 Prelimina...

论文题目：Heterogeneous Network Representation Learning: Survey, Benchmark, Evaluation, and Beyond论文来源：arXiv 2020.04.01论文链接：https://arxiv.org/abs/2004.00216代码链接：https://github.com/yangji9181/HNE关键词：异质...

论文题目：LambdaNet: Probabilistic Type Inference using Graph Neural Networks论文来源：ICLR 2020论文链接：https://openreview.net/forum?id=r1lZ7AEKvB代码链接：https://github.com/MrVPlusOne/LambdaNet关键词：推理，GNN，谓词，代码类型...

论文题目：STRATEGIES FOR PRE-TRAINING GRAPH NEURAL NETWORKS论文来源：ICLR 2020论文链接：https://openreview.net/forum?id=HJlWWJSFDH&noteId=HJlWWJSFDH代码链接：https://github.com/snap-stanford/pretrain-gnns/关键词：GN...

论文题目：Modeling Relational Data with Graph Convolutional Networks论文来源：ESWC 2018论文链接：https://arxiv.org/abs/1703.06103代码链接：https://github.com/tkipf/relational-gcn关键词：知识图谱，GCN，基函数分解，块对角分解文章目录1 引言2 神...

论文题目：An Attention-based Graph Neural Network for Heterogeneous Structural Learning论文来源：AAAI 2020论文链接：https://arxiv.org/abs/1912.10832代码链接：https://github.com/didi/hetsann关键词：HIN，表示学习，attention，不使用...

论文题目：Heterogeneous Deep Graph Infomax论文来源：AAAI 2020论文链接：https://arxiv.org/abs/1911.08538v1代码链接：https://github.com/YuxiangRen/Heterogeneous-Deep-Graph-Infomax关键词：异质图，表示学习，GNN，互信息，attention文章目录1 ...

论文题目：MAGNN: Metapath Aggregated Graph Neural Network for Heterogeneous Graph Embedding论文来源：WWW 2020论文链接：https://arxiv.org/pdf/2002.01680.pdf代码链接：https://github.com/cynricfu/MAGNN关键词：神经网络，表示学习，社交网...

论文题目：Heterogeneous Graph Transformer论文来源：WWW 2020论文链接：https://arxiv.org/abs/2003.01332代码链接：https://github.com/acbull/pyHGT关键字：GNN，HIN，表示学习，图嵌入，Graph Attention，动态图文章目录1 摘要2 引言2 定义3 相关工作4 HGT4.1 ...

论文题目：Graph Transformer Networks论文来源：NIPS 2019论文链接：代码链接：关键词：

论文题目：Heterogeneous Graph Attention Network论文来源：WWW 2019论文链接：https://arxiv.org/abs/1903.07293v1代码链接：https://github.com/Jhy1993/HAN关键词：社交网络, 神经网络, 图分析, 注意力机制(Attention)文章目录1 摘要2 引言3 定义4 HAN模型4.1 ...

论文题目：Metapath-guided Heterogeneous Graph Neural Network for Intent Recommendation论文来源：KDD 2019论文链接：https://www.kdd.org/kdd2019/accepted-papers/view/metapath-guided-heterogeneous-graph-neural-networ...

论文题目：Heterogeneous Graph Neural Network论文来源：KDD 2019论文链接：https://arxiv.org/abs/1903.07293代码链接：https://github.com/chuxuzhang/KDD2019_HetGNN关键词：HIN, GNN, Graph Embedding文章目录1 摘要2 引言2.1 已有的方法2.2 G...

论文链接：https://arxiv.org/abs/1906.04580代码链接：https://github.com/RingBDStack/PPGCN来源：IJCAI 2019关键词：HIN，细粒度事件分类，hyper-edge，GCN1 摘要本文设计了一个事件元模式(event meta-schema)来描述社交事件间的语义关联，并构建了一个基于事件的HIN，用于从外部知识库整...

论文链接：https://arxiv.org/abs/2002.12307来源：CIKM 2018官方介绍：https://zhuanlan.zhihu.com/p/48243724文章目录1 摘要2 介绍3 预备知识3.1 GNN3.2 Node Embedding4 提出的方法4.1 数据分析4.1.1 设备聚集4.1.2 行为聚集4.2 A Motivation: Subgraph...

论文链接：代码链接：https://github.com/zyz282994112/GraphInception来源：WWW 2018本文要解决的是HIN中的集体分类(collective classfication)问题：一组实例中的标签是相关的，应该对这个集体进行分类推断。传统的集体分类方法主要是利用简单的关系特征(如: 计数，相邻节点上存在的聚合器)。然而真实世界的应用包含实例间...

论文链接：代码链接：https://github.com/cenyk1230/GATNE来源：KDD 2019文章目录1 摘要2 介绍2.1 挑战2.2 作者提出3 问题定义4 方法4.1 Transductive Model: GATNE-T4.2 Inductive Model: GATNE-I1 摘要本文解决的是Attributed Multiplex Heterogeneo...

论文链接：https://arxiv.org/abs/1905.05659代码链接：来源：IJCAI 20191 摘要现有的异质网络嵌入方法(HNE)通常是无监督的，为了最大化利用HNEs中有价值的监督信息，作者提出ActiveHNE模型。实验证明了ActiveHNE的有效性，以及在降低query成本方面的优势。2 介绍2.1 挑战（1）异质性带来的普遍问题：如何处理不同类型的节...

论文链接：https://arxiv.org/abs/1902.01475代码链接：https://github.com/zhoushengisnoob/HAHE来源：ArXiv 2019文章目录1 摘要2 介绍2.1 现有方法的不足2.2 作者提出2.3 贡献3 HAHE模型3.1 Path instance attention layer3.2 Meta path attention...

论文链接：https://arxiv.org/abs/1905.08027会议：AAAI 20191 摘要现有的HIN嵌入方法大多都是直接将所有关系(relations)都嵌入到单个模型中，而没有区别考虑，这在本质上约束了网络嵌入学习的能力。本文考虑了异质关联(relations)信息的结构特征，提出RHINE(Relationstructure-aware Heterogeneous...

论文链接：https://www.aaai.org/ojs/index.php/AAAI/article/view/4471/4349代码链接：https://github.com/ydzhang-stormstout/HHNE会议：AAAI 2019文章目录1 摘要2 介绍2.1 现有的方法2.2 动机2.3 双曲空间2.4 作者提出2.5 贡献3 Embedding HIN in H...

本文转自：https://mp.weixin.qq.com/s/oc-o6W087jA-npxy89QMFw©PaperWeekly 原创 ·作者｜刘昊东学校｜电子科技大学硕士生研究方向｜推荐系统，表示学习Kipf 与 Welling 16 年发表的「Variational Graph Auto-Encoders」提出了基于图的（变分）自编码器Variational Gra...

论文链接：https://arxiv.org/abs/1712.00732代码链接：https://github.com/boom85423/hello_SHINE会议：WSDM 2018目录1 摘要2 介绍2.1 动机2.2 挑战2.3 已有的方法2.4 作者提出3 数据集的建立3.1 数据采集3.2 情感抽取4 方法4.1 问题定义...

论文链接：http://hanj.cs.illinois.edu/pdf/wsdm18_mqu.pdf代码链接：https://github.com/mnqu/DRL会议：WSDM 2018本文将深度强化学习应用到了异构星型网络的表示学习中。在异构星型网络表示的学习过程中通常需要采样一系列的边来得到点之间的相似性，作者发现这些边的顺序会显著影响表示学习的效果。作者借鉴了课程学习（...

论文链接：http://net.pku.edu.cn/daim/hongzhi.yin/papers/KDD18-Hongxu.pdf代码链接：https://sites.google.com/view/hongxuchen会议：KDD 2018目录1 摘要1.1 挑战1.2 为解决上述挑战，作者提出2 介绍2.1 现有的方法2.2 动机2.3 启发...

论文链接：https://dl.acm.org/doi/10.1145/3219819.3220006代码链接：https://github.com/GentleZhu/HEER会议：KDD 2018目录1 摘要2 介绍2.1 动机2.2 作者分析了现有的一些方法2.3 挑战2.4 贡献3 HEER3.1 一些定义3.2 The HEER Model...

论文链接：代码链接：会议：CIKM 20181 摘要为了有效地学习到节点的表示，图嵌入方法通常使用随机游走从图中采样节点，从而保留节点之间的距离信息。现有的处理异质图的表示学习方法依赖于元路径（meta-paths）来指导随机游走。然而，使用这些元路径要么需要领域专家的先验知识来进行最优的元路径选择，要么需要扩展计算来组合所有小于预定义长度的元路径。本文作者提出JUST模型，在...

1 摘要现有的网络嵌入工作都聚焦于有成对关系的网络，但在现实中，有超边（hyperedge）的存在，例如三个或者更多个节点由一个超边相关联起来。当超边不可分解时，也就是说hyperedge中任意的节点子集都不能形成另一个hyperedge，如何对hyper-network编码成为了需要解决的问题。本文提出了DHNE模型（Deep Hyper-Network Embedding），以学习有着...