Dec, 2022

动态深度图卷积网络用于人格检测

PDF
TL;DR本文提出了一种动态深层图卷积网络（D-DGCN）用于预测个性特征，结合多跳结构自动学习帖子之间 的连接，通过对 Kaggle 数据集实验结果表明 D-DGCN 优于现有技术基准的性能表现。
personality traitsonline postsdeep graph convolutional networkmulti-hop structurekaggle dataset
发现论文，激发创造
  • DyHGCN: 一种用于学习用户动态喜好的动态异构图卷积网络，用于预测信息扩散

    该研究提出了一种基于动态异质图卷积网络 (DyHGCN) 的信息扩散预测方法，结合社交网络和动态扩散图，编码时间信息以学习用户的动态偏好，并应用多头注意力来捕捉当前扩散路径的上下文依赖性，实验结果表明 DyHGCN 在三个公共数据集上明显优于现有的模型，这显示了该方法的有效性。

    Jun, 2020

  • 密集连接图卷积网络用于图到序列学习

    本研究通过图卷积网络（GCN）对图进行编码，引入了一种新的密集连接策略，提出了一种新型的密集连通图卷积网络（DCGCN）来集成本地和非本地特征，以更好地学习图的结构表示，并在 AMR-to-text 生成和基于语法的神经机器翻译上明显优于现有的神经模型。

    Aug, 2019

  • 有向图卷积网络

    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

  • 利用图卷积神经网络集成语义和结构信息进行争议检测

    该研究提出了一种名为 Topic-Post-Comment Graph Convolutional Network (TPC-GCN) 的模型，该模型能够有效地从内容相关的帖子中整合语义信息，保留回复关系建模的结构信息，并同时处理训练集中与主题不同的帖子，该模型可用于社交媒体中有争议的帖子检测任务，并具有显著的普适性。

    May, 2020

  • 动态图卷积网络

    该论文提出了两种结合长短时记忆网络和图卷积网络的方法以联合利用结构化数据和时间信息来管理动态图，通过实验结果证明了这种方法的优越性。

    Apr, 2017

  • 基于骨架的人体运动预测的动态稠密图卷积网络

    本文提出了一种动态密集图卷积网络（DD-GCN），它通过构建密集图和实现集成的动态信息传递来解决了骨骼序列构建图以及在图上进行信息传递的问题，在基准数据集上取得了明显的优越性能。

    Nov, 2023

  • 深度时间上下文网络顺序预测社交媒体流行度

    研究了社交网络中内容传播的可预测性，提出了一种新的预测框架 Deep Temporal Context Networks (DTCN)，并在 Flickr 图片数据集上的实验结果表明其比现有算法预测热度的准确性更高。

    Dec, 2017

  • 可变形图卷积网络

    本篇论文提出了一种新型的图卷积神经网络 Deformable GCNs，它可以在多个潜在空间适应性地执行卷积操作，并捕获节点之间的短 / 长距离依赖关系，从而处理异构性，并在六个异质性图数据集中实现节点分类任务的最佳性能。

    Dec, 2021

  • 使用对抗图卷积网络提升社交推荐

    本文提出了一种基于图卷积网络和对抗训练的深度框架，以解决社交推荐系统中的一些问题，如噪声、局限性和异质性等，实验证明该框架在多个开放数据集上具有卓越的推荐性能。

    Apr, 2020

  • 动态图消息传递网络

    为了更好地理解计算机视觉中的场景，我们提出了使用动态图消息传递网络来建模长程依赖关系，以超越本领域现有作品的效果。

    Aug, 2019