上下文敏感图表示学习：闲话与关注

AAAIMar, 2020

上下文敏感图表示学习：闲话与关注

Gossip and Attend: Context-Sensitive Graph Representation Learning

Zekarias T. Kefato, Sarunas Girdzijauskas

TL;DR本文提出了一种基于 gossip 通信和 mutual attention 机制的 GOAT 算法，无需任何附加文本特征，仅仅通过图的结构就能提取高质量的上下文敏感节点表示。我们使用 6 个真实数据集对 GOAT 进行了比较，并与 12 个流行和最先进的基线进行了比较，发现 GOAT 在链接预测和节点聚类方面的表现均优于其他方法，相对最佳性能方法的提高率达到 12% 和 19%。

Abstract

graph representation learning (GRL) is a powerful technique for learning low-dimensional vector representation of high-dimensional and often sparse graphs. Most studies explore the structure and metadata associated with the graph using random walks and employ an unsupervised or semi-su

graph representation learning context-sensitive approaches goat link prediction node clustering

发现论文，激发创造

图邻域注意池化

本研究提出了一种名为 GAP 的新型上下文敏感的算法，它使用注意力池化网络在不需要额外特征或社区检测算法的情况下，学习到了在节点邻域不同部分的出现概率，并在真实的数据集上表现出了优秀的表现超过了 10 种流行的最新模型。

Jan, 2020

情境化信息强化图表示

本论文从理论角度探索了具有不可数节点特征表示的图神经网络的表征能力，提出了一种新颖的软同构关系图卷积网络（SIR-GCN），并通过与其他常用图神经网络的数学关系进行验证，证明其在简单节点和图属性预测任务中优于其他模型。

Mar, 2024

通过全局上下文预测进行自监督图表示学习

本文提出了一种自监督的图表征学习策略，需要使用全局上下文进行图表征学习，其中通过训练神经网络预测节点之间相对位置来学习节点表征，以提高节点分类、聚类和链接预测等下游任务的性能。

Mar, 2020

基于关系的自监督图学习

本文提出了一种新颖的图表示学习方法 RGRL，它学习自图本身生成的关系信息，并通过全局和局部两个角度来考虑节点之间的关系，从而克服了以前对比和非对比方法的局限性，取得了最佳结果。

Aug, 2022

CADGE：基于图结构知识聚合的上下文感知对话生成

本文提出一种基于上下文感知的图注意力模型 (Context-aware GAT)，可以在知识聚合流程中有效地整合相关知识图的全局特征，并且优于传统基于图神经网络 (GNNs) 的语言框架。

May, 2023

一种基于检索和阅读的知识图谱链接预测框架

提出了一种新颖的基于 Transformer 的图网络模型，实现了检索 - 阅读框架，提高了知识图谱链接预测的性能。

Dec, 2022

通过解耦上下文表示学习和结构信息传播重新审视图形意义表示

在自然语言理解领域中，神经模型和图形意义表达（GMR）的交叉点仍然是一个引人注目的研究领域。本文通过引入 DAGNN-plus，一种简单且参数高效的神经架构，将上下文表示学习与结构信息传播解耦，从而填补 GMR 的确切影响的空白。通过与各种序列编码器和 GMRs 配对，该架构为英文和中文的两个数据集上进行系统实验提供了基础。实证分析使用了四种不同的图形形式和九个解析器。结果对 GMRs 的理解提供了细致入微的认识，显示出四个数据集中有三个的改进，特别是依靠高度准确的解析器的英文比中文更受青睐。有趣的是，与一般领域数据集相比，GMRs 对文学领域数据集的有效性较低。这些发现为更加明智地设计 GMRs 和解析器以提高关系分类奠定了基础，预计对自然语言理解研究的未来发展产生实质性影响。

Oct, 2023

基于上下文的图注意力网络在具有物品知识图的推荐中的应用

该研究提出了一种名为 CGAT 的新型推荐框架，可以明确地利用实体在知识图中的本地和非本地图上下文信息，以实现个性化的推荐，这可以通过一种偏向性随机游走采样过程来提取实体的非本地上下文，并利用 RNN 来模拟实体和其非本地上下文实体之间的依赖关系

Apr, 2020

LatentGNN：学习高效非局部关系以用于视觉识别

该研究提出了一种基于图神经网络和潜在空间的方法，以降低图的复杂度从而实现对视觉特征的非局部关联表示，并在三项主要的视觉识别任务上展示了其具有较高的性能和较低的计算成本。

May, 2019

属性图中的图表示学习：基于语义随机游走的方法

该研究聚焦于属性图中的图表征学习（即网络嵌入）。与现有的嵌入方法不同，我们提出了一种新颖的语义图表征（SGR）方法，将两个异构源的联合优化结合到一个基于公共高阶接近度的框架中，以全面编码原始图中节点和属性之间的复杂同构和异构关系。我们证明，SGR 对于一系列实际图表现出了卓越的性能，成为了其他基线的有效替代方案。

May, 2023