基于组合的多关系图卷积网络
我们介绍了关系图卷积网络 (R-GCNs) 并将它们应用于标准的知识库补全任务,包括链接预测和实体分类。R-GCNs 旨在应对实际知识库中高度多关系数据的特点,我们证明了它们作为一个独立模型在实体分类方面的有效性,并进一步证明,通过在关系图中累积多个推理步骤的编码器模型来丰富解码器模型,可以极大地提高因子分解模型 (例如 DistMult) 在链接预测方面的表现 (在 FB15k-237 上的表现提高了 29.8%)。
Mar, 2017
提出一种名为图修正卷积网络(GRCN)的框架,通过引入基于 GCN 的图修正模块来预测缺失边并在下游任务中进行边缘权重修正,以避免过度参数化或简单的重新加权观察到的边缘的问题,并且在六个基准数据集上的实验结果表明,与强基准方法相比,GRCN 始终表现出较大的优势,尤其是原始图严重不完整或用于模型训练的标记实例高度稀疏的情况。
Nov, 2019
本研究提出了一种名为 DGCN 的新型 GCN 模型,通过利用一阶和二阶接近度来将其扩展到有向图,可以保留有向图的连接属性并扩展卷积操作的感受野,实验证明只用 DGCNs 可编码更多有用的图信息并在推广到其他模型时提高性能。
Apr, 2020
我们提出了使用关系图卷积网络(RGCNs)进行情感分析的方法,该方法通过捕捉作为图中节点表示的数据点之间的依赖关系,提供了解释性和灵活性。通过在亚马逊和 Digikala 数据集上使用预训练的语言模型(如 BERT 和 RoBERTa)与 RGCN 架构进行产品评论的情感分析,并评估结果,我们证明了我们方法的有效性。我们的实验证明了 RGCNs 在捕捉情感分析任务的关系信息方面的有效性。
Apr, 2024
该研究提出了一种名为 N-GCN 的模型,将图卷积网络和随机游走中的信息融合,训练多个 GCNs 实例,并学习组合不同距离下的节点对的实例输出,实现优化分类目标。实验证明,该模型在节点分类任务上表现优异,具有良好的通用性和鲁棒性。
Feb, 2018
本研究提出了一种利用卷积神经网络和注意力机制解决多关系表示学习中多重关系语义连接问题的模型 ConvMR,我们使用 FB15k-237 和 WN18RR 数据集进行实验,结果表明该模型能够显著提高平均 Rank 和处理不常见实体的效率。
Oct, 2022
本文介绍了关系图卷积网络 (RGCN) 的复现,通过使用基准知识图谱数据集上的节点分类和链接预测任务,验证了 RGCN 的正确性。研究人员还介绍了两个更加参数有效的 RGCN 配置。
Jul, 2021
该论文提出了一种基于边注意力的多关系图卷积网络 (EAGCN) 模型,可用于多个化学数据集中学习化合物的属性,通过设计边注意力字典以及在不同分子中查找该字典以形成每个分子的注意力矩阵,进而实现对不同分子大小的聚合节点特征预测的独立性。
Feb, 2018
本文提出了一种名为 ME-GCN(多维边增强图卷积网络)的模型用于半监督文本分类,该模型能够利用图的丰富边缘信息,通过将边特征作为多流信号进行单独图卷积操作,达到对整个文本数据集较好的分类效果。
Apr, 2022