实体交互预测在许多重要的应用如化学、生物、材料科学和医学中是必不可少的。当每个实体由一个复杂的结构(即结构化实体)表示时,这个问题就变得非常具有挑战性,因为涉及到两种类型的图:用于结构化实体的局部图和用于捕获结构化实体之间交互的全局图。我们注意到,现有的结构化实体交互预测工作不能很好地利用图的唯一图模型。在本文中,我们提出了一个图的神经网络图,即GoGNN,它以分层的方式提取了结构化实体图和实体交互图中的特征。我们还提出了双重注意力机制,使模型在图的两个层次上都能保持相邻的重要性。在真实数据集上的大量实验表明,GoGNN在两个有代表性的结构化实体交互作用预测任务上的表现优于最先进的方法:化学-化学交互作用预测和药物-药物交互作用预测。我们的代码可以在Github上找到。

成为VIP会员查看完整内容
42

相关内容

图神经网络 (GNN) 是一种连接模型,它通过图的节点之间的消息传递来捕捉图的依赖关系。与标准神经网络不同的是,图神经网络保留了一种状态,可以表示来自其邻域的具有任意深度的信息。近年来,图神经网络(GNN)在社交网络、知识图、推荐系统、问答系统甚至生命科学等各个领域得到了越来越广泛的应用。

知识荟萃

精品入门和进阶教程、论文和代码整理等

更多

查看相关VIP内容、论文、资讯等
近期必读的五篇KDD 2020【图神经网络 (GNN) 】相关论文_Part2
专知会员服务
158+阅读 · 2020年6月30日
【图神经网络(GNN)结构化数据分析】
专知会员服务
114+阅读 · 2020年3月22日
必读的7篇IJCAI 2019【图神经网络(GNN)】相关论文-Part2
专知会员服务
60+阅读 · 2020年1月10日
六篇 EMNLP 2019【图神经网络(GNN)+NLP】相关论文
专知会员服务
71+阅读 · 2019年11月3日
图神经网络(Graph Neural Networks,GNN)综述
极市平台
104+阅读 · 2019年11月27日
7篇必读ACM MM 2019论文:图神经网络+多媒体
新智元
43+阅读 · 2019年11月9日
Arxiv
7+阅读 · 2018年8月28日
Arxiv
29+阅读 · 2018年4月6日
Arxiv
26+阅读 · 2018年2月27日
VIP会员
微信扫码咨询专知VIP会员