计算未来轻沙龙 | 当深度学习遇上归纳推理，图神经网络有多强大？

会员服务 ·

计算未来轻沙龙 | 当深度学习遇上归纳推理，图神经网络有多强大？

2019 年 11 月 28 日 PaperWeekly

作为一名新世纪的深度学习炼丹师

是否整天面对各种结构的原（shu）料（ju）？

对于无规则的空间数据

传统炼丹大法好像并不能发挥奇效

图作为一种非常神奇的表示方式

可以表示生活中绝大多数现象或情境

那么，有没有一种神经网络

既适用于规则的数据

又适用于不规则的数据呢？

作为近年来的热门研究方向之一

图神经网络有望统一结构化数据

和非结构化数据的学习框架

成为符号主义和连接主义的一座桥梁

本期“计算未来轻沙龙”

我们集结了来自清华大学计算机系

和北京邮电大学计算机学院的各位大佬

为大家奉上一场

图神经网络前沿研讨会

岑宇阔 / 清华大学计算机系博士生

岑宇阔，清华大学计算机系硕士二年级，目前已经以第一作者在数据挖掘顶会KDD和顶刊TKDE上各发表了一篇论文。

Representation Learning for Attributed Multiplex Heterogeneous Network

传统的图表示学习方法一般只针对同构的图，但是实际场景中的图往往都是异构的。在阿里电商场景下，由用户和商品构成的图不仅包含异构的节点（用户和商品），而且包含异构的边（用户和商品之间的多种交互行为，比如点击、购买等）。本报告将主要介绍这种包含异构节点和异构边的图的表示学习。

丁铭 / 清华大学计算机系博士生

丁铭，清华大学计算机系二年级博士生，导师为唐杰教授。研究方向为认知智能，目前着力于知识发现与图学习。先后在ACL、CIKM、IJCAI、EMNLP等会议上发表多篇论文。

认知图谱、结构化知识与问答

对于大规模开放领域阅读理解问题，传统的框架往往基于信息检索与端到端的黑盒阅读理解模型。在复杂多跳问题上，仍然被短视检索、缺乏解释性等问题困扰。我们基于认知科学中的双过程理论，将人的思索过程连成认知图谱，并通过预训练语言模型与图神经网络解决以上问题。

范少华 / 北邮计算机学院博士生

范少华，北京邮电大学计算机学院博士二年级，主要研究方向为异质网络表示学习，因果分析。目前已经以第一作者在KDD和CIKM发表两篇论文。

Metapath-guided Heterogeneous Graph Neural Network for Intent Recommendation

最近一种新型的推荐服务，意图推荐，被移动电商平台广泛使用。不同于传统的商品推荐，意图推荐希望在用户打开APP并没有任何输入的情况下来预测用户的意图。现在工业界针对意图推荐的解决方案主要是基于特征工程的算法来挖掘属性信息。这样就导致推荐场景里的丰富的交互信息没有充分挖掘。本报告主要介绍如何有效利用异质交互信息进行意图推荐。

涂珂 / 清华大学计算机系博士生

涂珂，清华大学计算机系博士生在读，主要研究方向为数据挖掘，网络表征学习。目前在AAAI，KDD等顶会上发表多篇文章。

大规模网络嵌入的超参数优化

为了保持网络中各种各样的性质，网络表征学习通常含有大量的超参数。这些超参数通常需要严格的设置以达到良好的效果。大规模网络数据给网络嵌入的超参数优化带来了巨大的挑战。我们提出了一个新的框架AutoNE，来自动的优化网络嵌入算法中的超参数。具体地，我们利用了一个多源随机游走来采样多个子网络，设计一个元学习器来从子网络传递关于超参数的知识到原始的大图。传递过来的元知识能极大的减少搜索最优超参数的次数。大量的实验表明我们的框架能显著的优于现有的方法。