图协同推理

WSDMDec, 2021

Graph Collaborative Reasoning

Hanxiong Chen, Yunqi Li, Shaoyun Shi, Shuchang Liu, He Zhu...

TL;DR本研究提出了一个名为图形协作推理（GCR）的方法，该方法利用邻居链接信息从逻辑推理角度对图形进行关系推理，并在常用基准数据集上展示其在链接预测等任务方面的卓越表现。

Abstract

graphs can represent relational information among entities and graph structures are widely used in many intelligent tasks such as search, recommendation, and question answering. However, most of the graph-structured data in practice suffers from incompleteness, and thus →

graphs link prediction logic reasoning neural networks collaborative reasoning

发现论文，激发创造

用图卷积网络建模关系型数据

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

具有语义相关性感知的广义关系学习用于链接预测

该研究提出了一种统一的关系学习框架（GRL），该框架可以插入现有的链接预测模型中，能够增强现有的链接预测模型，使其对于不平衡的关系分布和学习未见关系具有不敏感性，并能够联接语义相似的关系。

Dec, 2020

神经协作推理

本文提出了一种新的协作推荐系统框架，即协作推理 (CR)，将学习和推理融为一体。该框架通过一种神经模块化的形式，将符号推理操作嵌入到基于神经网络的模型中，将逻辑表达式等价地组织为神经网络，从而实现了在连续空间中进行逻辑推理和预测。实验证明，与现有的浅层、深层和推理模型相比，本文提出的框架具有更好的推荐性能。

May, 2020

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

开放知识图谱推理的协作策略学习

本文提出了一种利用强化学习框架开发的面向缺失事实的多跳图推理和事实提取代理的协同训练方法，以预测知识图谱中缺失的事实，从而提升可解释性推理的效果。

Aug, 2019

图神经网络：方法和应用综述

本文介绍了图神经网络（GNNs）的设计管道，详细讨论了其各个组成部分的变体，对其应用进行了系统分类，并提出了四个开放性问题供未来研究。

Dec, 2018

带图形增强信息的神经符号推荐

本文提出一种基于图神经网络和命题逻辑运算的神经符号推荐模型，结合了全局隐式推理能力和局部显式逻辑推理能力，可有效提高推荐系统的准确性。