GNN 用于学习节点的重要性：

【KDD 2021】Representation Learning on Knowledge Graphs for Node Importance Estimation

作者：Han Huang , Leilei Sun , Bowen Du , Chuanren Liu , Weifeng Lv , Hui Xiong

团队：无

导读：本文提出的方法主要针对 GENI 和 MultiImport 模型没有考虑节点的描述信息这个缺点，提出了一个融合图结构和节点的语义信息的新模型 RGTN。该方法采用了两个 GCN encoder，一个用于捕获节点的结构信息，一个用于学习节点的语义信息。然后用一个共同注意力模块将两个 encoder 的向量表达相互融合。最后用一个基于注意力的聚合机制将两个相互融合后的向量表达去构造节点的重要性。对比 GENI 和 MultiImport，该模型取得了 SOTA 表现，消融实验也验证了这种融合机制的有效性。



GNN 用于节点的分类：

【CIKM 2019】Hashing Graph Convolution for Node Classification

作者：Wenting Zhao, Zhen Cui, Chunyan Xu, Chengzheng Li, Tong Zhang and Jian Yang

团队：南京科技大学 链接：https://easychair.org/publications/preprint/lhT3 导读：这篇文章针对GNN的聚合函数改进，认为之前的基于求和或者均值的方式来聚合邻居信息的方法会由于GNN的平滑效果从而降低节点间的区分度，由此提出了一种基于哈希投影的聚合函数。该方法首先将邻居节点投影到 b 个桶中，为每个桶学习一个表达。然后根据 b 个桶的表达的拼凑向量，用 S 个非线性函数学习 S 个不同的接受域表达（思想类似多头机制），最后通过一个非线性函数结合 S 个接受域表达来学习节点的向量。此外，文中多考虑一个基于互信息矩阵学出的节点表达来拟合基于邻接矩阵学出的节点表达的全局 Loss。该方法在节点分类任务上取得 SOTA 效果，并且消去实验验证了基于哈希投影的聚合函数对比另外两种聚合函数的优越性。

内容中包含的图片若涉及版权问题，请及时与我们联系删除