R-GCN: R 可以代表随机
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
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
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
本文分析了具有随机节点初始化的 GNNs 的表达力,证明了这些模型是通用的,这是 GNNs 的首个不依赖于计算要求更高阶特性的结果。我们基于精心构建的数据集,对 RNI 对 GNNs 的影响进行了经验分析。我们的实证结果支持 RNI 对于 GNNs 的优异表现。
Oct, 2020
本研究提出了 CompGCN,一种新的图卷积框架,可同时嵌入节点和关系,解决了处理多关系图的过度参数化问题,广义了现有的多关系 GCN 方法,取得了节点分类、链接预测和图分类等多个任务的显着优异结果。
Nov, 2019
本文提出了 Knowledge Graph Convolutional Networks (KGCN) 的方法,通过在知识图谱上挖掘和利用互相关联的属性来有效地捕捉物品之间的相关性,扩展感受野以建模高阶邻近信息,并将邻居信息与偏差相结合计算给定实体的表示,以优化协同过滤型推荐系统的性能。实验结果表明,该方法在电影、图书和音乐推荐的三个数据集上优于强基线算法。
Mar, 2019
本研究提出了一种新的框架 -- 基于知识嵌入的图卷积网络 (KE-GCN),该框架充分利用了复杂图形的丰富结构信息,并针对图的异构性和节点更新问题进行改进,优于具有同类基线方法的表现。
Jun, 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
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