【KDD2020】 利用多信号输入推断知识图谱中节点的重要性

论文专栏：KDD 2020 知识图谱相关论文分享

论文解读者：北邮 GAMMA Lab 博士生 闫博

题目：利用多信号输入推断知识图谱中节点的重要性 会议： KDD 2020 论文地址：https://dl.acm.org/doi/10.1145/3394486.3403093 推荐理由：这篇论文是作者在KDD19上利用单一输入信号进行节点重要性推断论文的后续研究，扩展成了多输入信号。利用迭代的方式对输入的不同类信号进行聚类，从而解决不同信号的冲突问题。实验表明，多种信号比相比单一信号，能更准确地推断出节点的重要性，对输入信号进行迭代聚类的方式有效解决了信号冲突问题。 节点重要性估计是知识图谱中一项重要的任务，它可以被下游许多任务利用，如推荐系统，搜索和查询消歧，节点资源分配等。在现实生活中，除了知识图谱本身的信息，还有许多外界的输入信息(输入信号)，这些输入信号对节点的重要性评估也至关重要。此任务的关键是如何有效利用来自不同来源的输入信号。这些外部输入信号，例如票数或浏览量，可以直接告诉我们知识图谱中实体的重要性。现有方法无法同时考虑多个信号，所以它们对这些外部信号的使用受到一定限制，造成了外部信号的利用率低下。本文设计了一个端到端的隐变量模型MultiImport，从多个稀疏，可能重叠的输入信号中推断潜在节点的重要性。它捕获节点重要性和输入信号之间的关系，并有效地处理了多个信号的潜在冲突问题。在多个知识图谱上的实验表明，MultiImport在利用多个输入信号推断节点重要性的任务中优于现有方法，并且与最先进的方法相比，NDCG@100提高了23.7％ 。