基于异构 GNN 的知识保留递增社交事件检测

Jan, 2021

基于异构 GNN 的知识保留递增社交事件检测

Knowledge-Preserving Incremental Social Event Detection via Heterogeneous GNNs

Yuwei Cao, Hao Peng, Jia Wu, Yingtong Dou, Jianxin Li...

TL;DR本文提出了一个新颖的知识保持增量异构图神经网络（KPGNN），通过将复杂的社交信息建模为统一的社交图以提高数据利用率，并探索 GNN 的表达能力进行知识提取。KPGNN 使用对比损失函数适应不断变化的事件类型，并利用 GNN 的归纳学习能力从先前未见过的数据中扩展知识。最终的实验结果证明了 KPGNN 优于各种基线算法。

Abstract

Social events provide valuable insights into group social behaviors and public concerns and therefore have many applications in fields such as product recommendation and crisis management. The complexity and streaming nature of social messages make it appealing to address social event detecti

social event detection incremental learning graph neural network knowledge preservation scalable training

发现论文，激发创造

基于异构图卷积网络的细粒度事件分类

本文提出了一个事件元结构来表征社交事件的语义相关性并构建了一个基于事件的异构信息网络（HIN），该网络合并了外部知识库中的信息，并提出了一种新的基于 KIES 的 PP-GCN 模型，用于对社交事件进行分类。实验结果表明，该方法在社交事件分类方面优于其他替代方法。

Jun, 2019

异构信息网络中的流式社交事件检测和演化发现

本文提出一种基于事件的异构信息网络，结合外部知识库，基于元路径相似度搜索的社交事件检测和演化发现框架，并利用基于加权元路径实例相似性和文本语义表示的新颖 PP-GCN 对社交事件进行细粒度分类，该框架优于其他替代的社交事件检测和演化发现技术。

Apr, 2021

基于证据理论的时态感知图论社交事件检测

提出了一种 ETGNN 方法以在社交媒体上检测社交事件，该方法基于图神经网络，具有时态感知和确定性理论，通过创新的临时感知集成器和证据深度神经网络对不同视图进行处理，最终实现了准确，可靠和鲁棒的社交事件检测。

May, 2022

混合图对比学习与增强增量聚类的无监督社交事件检测

本文提出了一种利用混合图对比学习和增强增量聚类（HCRC）的无监督社交媒体事件检测方法，通过综合学习社交信息中的语义和结构鉴别信息，并利用增强增量聚类在完全无监督的方式下进行高效聚类。通过对 Twitter 和 Maven 数据集的全面实验评估，实验结果表明我们的方法取得了一致显著的性能提升，分别在传统的增量设置、半监督增量设置和完全无监督设置中达到的最大性能提升分别为 53%、45% 和 37%。

Dec, 2023

层次化和增量化的结构熵最小化用于无监督社会事件检测

本文介绍了一种名为 HISEvent 的框架，通过构建信息更丰富的消息图，在保留图神经网络方法优点的同时，无监督地进行社交事件检测，并克服了现有结构熵最小化算法的效率问题。实验证明，HISEvent 在封闭集和开放集环境下持续优于基于图神经网络的方法，在高效和稳健性方面取得了最新的 SOTA 社交事件检测结果。

Dec, 2023

AEGNN: 异步事件驱动的图神经网络

本文提出采用异步事件驱动图神经网络 (AEGNN)，将事件处理范式从已知稀疏的静态图扩展到事件数据域中的一个演化的稀疏图，在物体分类和检测任务上，实现了计算复杂度提高 11 倍的同时，保持了最新的异步方法相同甚至更好的性能表现，将计算的降低转化为计算延迟降低了 8 倍，为低延时事件处理打开了新的机遇。

Mar, 2022

流式图神经网络的持续学习

本文提出一种基于持续学习的流式 GNN 模型，通过信息传播和数据重放与模型正则化相结合，实现了对新模式和既有模式的同时维护，解决了历史知识被新知识覆盖的灾难性遗忘问题。在多个实验数据集上的节点分类结果表明，该模型能有效地更新模型参数并达到与重新训练相当的性能。

Sep, 2020

知识增强的图神经网络

提出 KeGNN，一种神经符号框架，结合了神经和符号方法，用于图数据的学习，旨在通过添加系统先前知识来提高精度，并通过多个基准数据集的节点分类进行评估。

Mar, 2023

面向大规模社交推荐的三方异构图传播

本文提出了一种名为 “异构图传播” 的新图嵌入方法，通过使用组 - 用户 - 商品三部分图以减少社交图中的边数和路径的复杂性，分别使用个性化的 PageRank 传播方案对组 - 用户图和用户 - 商品图中的节点进行嵌入，并使用一种注意机制将每个图中的节点嵌入进行集成，解决了图神经网络在社交推荐中的过度平滑问题，并在大规模真实世界数据集上证明了该方法优于其他基线的性能。

Jul, 2019

KGNN：面向图神经知识表示的分布式框架

KGNN 框架采用 GNN 编码器和知识感知解码器，旨在以细粒度的方式共同探索高阶结构和属性信息，同时在知识图谱中保留关系模式，并在链接预测和三元组分类任务上展示了其有效性和可扩展性。

May, 2022