图神经网络被广泛应用于对图数据的许多下游任务的节点表示的学习。现有的模型是为单个图上的节点设计的,因此无法利用跨多个图的信息。现实世界中确实存在多个图,其中的节点通常是部分对齐的。例如,尽管知识图谱可能具有不同的关系模式,但它们共享许多命名实体;出版物和获奖项目的协作网络共享一些分别是作者和研究者的研究节点;人们使用多种网络服务,购物,推特,电影评级,有些人可能在不同平台注册相同的电子邮件帐户。在本文中,我提出了部分对齐的图卷积网络来学习跨模型的节点表示。我研究了多种方法(包括模型共享、正则化和对齐重建)以及理论分析,以在(小)组部分对齐的节点上积极转移知识。在真实知识图谱和协作网络上的大量实验表明,我们提出的方法在关系分类和链接预测方面具有优越的性能。

https://www.zhuanzhi.ai/paper/078477a41cf37054143757ec71319360

成为VIP会员查看完整内容
17

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
专知会员服务
27+阅读 · 2021年9月15日
专知会员服务
15+阅读 · 2021年8月13日
专知会员服务
44+阅读 · 2021年7月25日
专知会员服务
21+阅读 · 2021年7月17日
专知会员服务
42+阅读 · 2021年6月30日
专知会员服务
53+阅读 · 2021年4月27日
【CVPR2021】现实世界域泛化的自适应方法
专知会员服务
42+阅读 · 2021年3月31日
【WWW2021】兴趣感知消息传递图卷积神经网络的推荐
专知会员服务
41+阅读 · 2021年2月23日
[NeurIPS 2020]对图神经网络更实际的对抗式攻击
专知会员服务
8+阅读 · 2020年11月1日
KDD20 | AM-GCN:自适应多通道图卷积网络
专知
7+阅读 · 2020年8月26日
图表示学习Graph Embedding综述
图与推荐
7+阅读 · 2020年3月23日
图嵌入(Graph embedding)综述
人工智能前沿讲习班
437+阅读 · 2019年4月30日
图卷积神经网络(GCN)文本分类详述
专知
268+阅读 · 2019年4月5日
基于注意力机制的图卷积网络
科技创新与创业
69+阅读 · 2017年11月8日
Self-Attention Graph Pooling
Arxiv
11+阅读 · 2019年6月13日
Arxiv
11+阅读 · 2019年4月9日
Arxiv
6+阅读 · 2019年4月8日
Arxiv
3+阅读 · 2019年3月26日
Arxiv
5+阅读 · 2017年9月8日
VIP会员
相关VIP内容
专知会员服务
27+阅读 · 2021年9月15日
专知会员服务
15+阅读 · 2021年8月13日
专知会员服务
44+阅读 · 2021年7月25日
专知会员服务
21+阅读 · 2021年7月17日
专知会员服务
42+阅读 · 2021年6月30日
专知会员服务
53+阅读 · 2021年4月27日
【CVPR2021】现实世界域泛化的自适应方法
专知会员服务
42+阅读 · 2021年3月31日
【WWW2021】兴趣感知消息传递图卷积神经网络的推荐
专知会员服务
41+阅读 · 2021年2月23日
[NeurIPS 2020]对图神经网络更实际的对抗式攻击
专知会员服务
8+阅读 · 2020年11月1日
相关资讯
KDD20 | AM-GCN:自适应多通道图卷积网络
专知
7+阅读 · 2020年8月26日
图表示学习Graph Embedding综述
图与推荐
7+阅读 · 2020年3月23日
图嵌入(Graph embedding)综述
人工智能前沿讲习班
437+阅读 · 2019年4月30日
图卷积神经网络(GCN)文本分类详述
专知
268+阅读 · 2019年4月5日
基于注意力机制的图卷积网络
科技创新与创业
69+阅读 · 2017年11月8日
微信扫码咨询专知VIP会员