一、一个全新的强化、递归且可扩展的由邻域选择引导的多关系图神经网络架构 RioGNN

【ACM 2021】Reinforced Neighborhood Selection Guided Multi-Relational Graph Neural Networks
论文链接：https://arxiv.org/pdf/2104.07886.pdf
代码链接：https://github.com/safe-graph/RioGNN
论文导读：
本文由北京航空航天大学、美国伊利诺伊大学芝加哥分校和英国利兹大学联合完成。图神经网络（GNNs）已被广泛用于各种结构化图数据的表示学习，通常是通过不同操作聚合节点的邻域信息，在节点之间传递消息。尽管前景较好，但大多数现有 GNN 过分简化了图中边的复杂性和多样性，因此无法处理普遍存在的异构图（通常以多关系图表示形式）。基于手工元路径或元图等的关系型图神经网络依赖固有实体关系，在细粒度任务中存在挑战。为此，该文提出了一个全新的强化、递归且可扩展的由邻域选择引导的多关系图神经网络架构 RioGNN。

模型框架

二、GNN在知识图谱中的研究
【IJCAI 2021】HIP Network: Historical Information Passing Network for Extrapolation Reasoning on Temporal Knowledge Graph
文章作者：Yongquan He, Peng Zhang, Luchen Liu, Qi Liang , Wenyuan Zhang and Chuang Zhang
文章地址：https://www.ijcai.org/proceedings/2021/0264.pdf
文章导读：文章作者来自中科院信工所张鹏老师团队。本文关注时序知识图谱推理问题，现有的根据历史信息推断未来事件的方法忽略了时间变化背后的潜在模式。文章提出了一个新的历史信息传递网络，从时间、结构和重复的角度传递信息，分别用于模拟事件的时间演化、同一时间步的事件相互作用和已知事件的重复发生。此外，还考虑了关系表示的更新，采用了与上述三个维度对应的三个评分函数。

网络结构

三、GNN在对话系统中的研究
【AAAI 2021】A Graph Reasoning Network for Multi-turn Response Selection via Customized Pre-training
文章作者：Yongkang Liu, Shi Feng, Daling Wang, Kaisong Song, Feiliang Ren, Yifei Zhang
文章地址：https://arxiv.org/pdf/2012.11099.pdf
文章导读：文章作者来自东北大学王大玲老师团队。本文研究的是基于检索的聊天机器人中多轮会话的响应选择，现有的研究更多地关注话语和反应之间的匹配程度，主要是根据学习到的特征计算匹配分数，导致模型推理能力不足。文章提出了一个图形推理网络GRN来解决这个问题，GRN首先基于ALBERT使用下一个话语预测和话语顺序预测两个任务进行预训练，这些任务专为回答选择而设计，这两个定制的预训练任务可以赋予我们的模型捕获话语之间语义和时间依赖关系的能力。然后在具有序列推理和图形推理结构的集成网络上对模型进行微调。

GRN结构

本期内容：张林、吴洋、白鹏

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