CIKM'21 多关系图神经网络的社区问答

为了研究像Stack Overflow这样的社区问答(CQA)平台，人们提出了各种数据挖掘任务。这些任务之间的相关性通过多任务学习(MTL)为彼此提供了有用的学习信号。然而，由于这些任务的高度异质性，很少有现有的工作能够在一个统一的框架中共同解决它们。为了解决这一难题，我们开发了一种基于多关系图的MTL模型——异构多任务图同构网络(Heterogeneous Multi-Task graph Isomorphism Network, HMTGIN)，该模型有效地解决了异构CQA任务。在每次训练前向传递中，HMTGIN通过图同构网络的扩展和跳跃连接嵌入输入的CQA论坛图。嵌入然后在所有特定任务的输出层共享，以计算各自的损失。此外，利用两个基于任务关系领域知识的跨任务约束对联合学习进行正则化。在评估中，嵌入在不同的任务特定的输出层之间共享，以做出相应的预测。据我们所知，HMTGIN是第一个能够从多关系图的角度处理CQA任务的MTL模型。为了评估HMTGIN的有效性，我们从Stack Overflow中构建了一个具有200多万个节点的大规模多关系图CQA数据集。大量实验表明: (1) HMTGIN在5个任务上优于所有基线; (2) 提出的MTL策略和跨任务约束具有显著优势。

https://arxiv.org/abs/2110.02059