近期必读的五篇 IJCAI 2020【图神经网络 (GNN)+NLP 】相关论文

【导读】IJCAI（国际人工智能联合会议，International Joint Conferences on Artificial Intelligence）作为人工智能领域最顶级的国际学术会议之一，IJCAI 的举办自然备受瞩目。第29届国际人工智能联合会议和第17届环太平洋国际人工智能会议原定于2020年7月11日在日本横滨召开，但由于疫情影响，将延期半年，至 2021年1月召开。近期，IJCAI 2020 论文集已经放出来。在 4717 份有效投稿中，最终仅有 592 篇被接收，接收率为 12.6%，这也是 IJCAI 史上最低的接收率。我们发现在今年的IJCAI 2020会议上图神经网络相关的论文非常多，今天小编专门整理最新6篇图神经网络（GNN）应用在自然语言处理上的相关论文——AMR-to-text生成、Path GCN、图互注意力网络、常识知识、有向超图GCN

IJCAI 2020 Accepted Paper: https://www.ijcai.org/Proceedings/2020/

IJCAI2020GNN_Part1、ICML2020GNN_Part1、KDD2020GNN_Part1、CVPR2020SGNN、CVPR2020GNN_Part2、CVPR2020GNN_Part1、WWW2020GNN_Part1、AAAI2020GNN、ACMMM2019GNN、

1、Better AMR-To-Text Generation with Graph Structure Reconstruction 作者：Tianming Wang, Xiaojun Wan, Shaowei Yao

摘要：AMR-to-text 生成是一项艰巨的任务，它需要从基于图的语义表示中生成文本。最近的研究将这一任务看作是图到序列的学习问题，并使用各种图神经网络来建模图结构。在本文中，我们提出了一种新的方法，在重构输入图结构的同时，从AMR图中生成文本。我们的模型使用图注意力机制来聚合信息以对输入进行编码。此外，通过优化两个简单而有效的辅助重构目标：链接预测目标(需要预测节点之间的语义关系)和距离预测目标(需要预测节点之间的距离)，能够学习到更好的节点表示。在两个基准数据集上的实验结果表明，我们提出的模型在强基线上有很大的改善，并达到了新的技术水平。

网址： https://www.ijcai.org/Proceedings/2020/0542.pdf

2、Multi-hop Reading Comprehension across Documents with Path-based Graph Convolutional Network

作者：Zeyun Tang, Y ongliang Shen, Xinyin Ma, Wei Xu, Jiale Yu, Weiming Lu

摘要：跨多个文档的多跳（Multi-hop ）阅读理解近年来备受关注。在本文中，我们提出了一种新的方法来解决这个多跳阅读理解问题。受人类推理过程的启发，我们从支持文档（supporting documents）中构造了一个基于路径的推理图。该推理图结合了基于图的方法和基于路径的方法的思想，更适合于多跳推理。同时，我们提出了GATED-RGCN在基于路径的推理图上积累证据，GATED-RGCN包含了一种新的问题感知门控机制，以规范跨文档传播信息的有用性，并在推理过程中添加问题信息。我们在WikiHop数据集上对我们的方法进行了评估，与以前发布的方法相比，我们的方法达到了最先进的准确性。特别值得一提的是，我们的集成模型比人类的表现高出4.2%。

网址： https://www.ijcai.org/Proceedings/2020/540

3、The Graph-based Mutual Attentive Network for Automatic Diagnosis

作者：Quan Yuan, Jun Chen, Chao Lu, Haifeng Huang 摘要：自动诊断一直存在缺乏可靠语料库来训练可信预测模型的问题。此外，以往的基于深度学习的诊断模型大多采用序列学习技术(CNN或RNN)，难以提取关键医疗实体之间的复杂结构信息（如图结构）。本文提出基于真实医院的高标准电子病历文档建立的诊断模型，以提高模型的准确性和可信度。同时，我们将图卷积网络引入到该模型中，缓解了稀疏特征的问题，便于提取用于诊断的结构信息。此外，我们还提出了mutual注意网络来增强输入的表示，以获得更好的模型性能。我们在真实电子病历文档（ EMR documents）上进行实验，结果表明与以往基于序列学习的诊断模型相比，该模型具有更高的准确性。我们提出的模型已被集成到中国数百家初级卫生保健机构的信息系统中，以协助医生进行诊断。

网址： https://www.ijcai.org/Proceedings/2020/0469.pdf

4、TransOMCS: From Linguistic Graphs to Commonsense Knowledge

作者：Hongming Zhang, Daniel Khashabi, Yangqiu Song, Dan Roth

摘要：常识知识获取是人工智能的关键问题。传统获取常识知识的方法通常需要昂贵的人工注释并且费力，在大范围内是不可行的。本文探索了一种从语言图中挖掘常识知识的实用方法，目的是将从语言模式中获得的廉价知识转化为昂贵的常识知识。其结果是将大规模的选择偏好知识资源ASER[Zhang et al., 2020]转换为TransOMCS，其表示与ConceptNet[Liu and Singh，2004]相同，但比ConceptNet大两个数量级。实验结果表明，语言知识可以转化为常识知识，并且该方法在数量、新颖性和质量方面都是有效的。

代码： https://github.com/HKUSTKnowComp/TransOMCS

网址：

https://www.ijcai.org/Proceedings/2020/0554.pdf

5、Two-Phase Hypergraph Based Reasoning with Dynamic Relations for Multi-Hop KBQA

作者：Jiale Han, Bo Cheng, Xu Wang

摘要：多跳知识库问答(KBQA)旨在通过跨多个三元组的推理来寻找事实问题的答案。值得注意的是，当人类执行多跳推理时，倾向于在不同的跳中集中于特定的关系，并精确定位由该关系连接的一组实体。与利用成对连接来模拟人类执行多跳推理不同，超图卷积网络(HGCN)可以通过利用超边连接两个以上的节点。然而，HGCN是针对无向图的，没有考虑信息传递的方向。为了适应具有方向性的知识图，我们引入了有向HGCN(Directed-HGCN, DHGCN)。受人类逐跳推理的启发，我们提出了一种基于DHGCN的可解释KBQA模型，即基于动态关系的两阶段超图推理，该模型显式更新关系信息，动态关注不同跳点的不同关系。此外，该模型逐跳预测关系以生成中间关系路径。我们在两个广泛使用的多跳KBQA数据集上进行了大量的实验，以证明该模型的有效性。