本文利用一种新的自编码器结构,能够有效地学习本地图结构和已有节点信息的联合表示,以进行链接预测和节点分类的多任务学习,并在9个基准图结构数据集上进行了全面的实证评估,证明了其优于现有方法的表现。
Feb, 2018
本论文研究了与图表示学习相关的两个基本任务:链接预测和节点分类,并提出了一种新的自编码器架构,能够学习本地图结构和可用节点特征的联合表示,用于同时进行无监督链接预测和半监督节点分类的多任务学习。
Nov, 2018
本文提出一种名为 GRAPHEDM 的综合方法,旨在将有标注数据的网络嵌入、基于图的正则化神经网络和图神经网络三者统一起来,构成一种用于学习图表征的完整分类法。通过将现有的30多种算法整合到这一框架中,本方法具有很高的通用性,从而提供了理解这些方法背后的直觉基础,促进了此领域未来研究的发展。
May, 2020
本文提出了一种异构图卷积网络建模方法HeteGCN,结合了predictive text embedding (PTE) 和 TextGCN的优点用于文本分类,以解决现有方法预测能力、可扩展性和归纳能力的局限性。通过使用不同的图层在一个HeteGCN架构中学习特征嵌入并派生文档嵌入,将TextGCN简化为几个HeteGCN模型,从而简化了模型参数,以提高性能和训练速度。实验结果表明所提出的方法在小的标注训练集方案下有效。
Aug, 2020
利用简化且无创新的方法在下游任务上进行预训练语言模型的有监督参数高效微调,并生成节点嵌入以提高图形神经网络在多个图形基准上的性能。
Aug, 2023
在多重文本丰富网络中,通过使用METERN框架进行学习,能有效地捕捉网络中的多重结构,并保持参数效率。
Oct, 2023
RoSE是一个利用大型语言模型自动将文本属性分解成轮廓性语义关系的框架,在各种数据集上显著提高了节点分类性能,最高可达16%。
May, 2024
图序列预训练框架 GSPT 利用统一的文本表示,在图领域中取得了显著的可转移性和实证成功。
Jun, 2024
使用Simplified Text-Attributed Graph Embeddings (STAGE)方法来增强编码文本属性图的图神经网络模型中的节点特征。STAGE利用大型语言模型生成文本属性的嵌入,实现了在各种节点分类基准测试中具有竞争力的结果,同时相对于当前最先进的技术实现上也保持了简单性。我们展示了利用预训练的大型语言模型作为嵌入生成器为集成图神经网络训练提供了稳定的特征,从而使得我们的流程比当前需要多个昂贵的训练和提示阶段的最先进方法更简化。我们还实现了扩展模式图神经网络,以使这个流程适用于超过学术基准的图结构。
Jul, 2024
该研究解决了文本图表示学习中有效提取结构和文本信息的不足。提出的节点级图自编码器(NodeGAE)框架,通过语言模型进行预训练并加入局部图结构的辅助损失,简化训练过程并提升了通用性。实验结果显示,该方法显著提高了多种图神经网络在节点分类和链接预测任务中的表现。
Aug, 2024