一、GNN在文本生成中的研究
【AAAI 2019】Story ending generation with incremental encoding and commonsense knowledge
文章作者：Jian Guan, Yansen Wang, Minlie Huang
文章地址：https://arxiv.org/pdf/1808.10113.pdf
文章导读：文章作者来自清华大学黄民烈老师团队。本文解决的是故事生成中结尾生成的问题，设计了一个新的故事结尾生成模型。该模型采用增量编码方案来表示在故事上下文中跨越的上下文线索。此外，通过多源注意力应用常识知识，促进故事理解，从而帮助产生连贯合理的结局。通过构建语境线索和使用隐含知识，该模型能够产生合理的故事结局。

模型概览

二、GNN在社交分析中的应用
【KDD 2020】Knowing your FATE: Friendship, Action and Temporal Explanations for User Engagement Prediction on Social Apps
文章作者：Xianfeng Tang, Yozen Liu, Neil Shah, Xiaolin Shi, Prasenjit Mitra, Suhang Wang
文章地址：https://arxiv.org/pdf/2006.06427.pdf
文章导读：文章作者来自宾夕法尼亚州立大学。本文关注社交APP中用户参与度预测的可解释性问题。文章首先将不同应用场景下的用户参与度统一定义为兴趣指标的期望，然后提出一个端到端的模型FATE建模朋友关系，用户行为和时序动态来预测用户参与度。FATE先用基于张量的GCN学习用户在每个时刻的朋友关系，接着把每个时刻GCN的输出传入基于张量的LSTM学习时序动态，最后用一个混合注意力机制综合所有特征预测用户参与度。

FATE

三、GNN在序列推荐方向的应用

【CIKM 2021】Learning Dual Dynamic Representations on Time-Sliced User-Item Interaction Graphs for Sequential Recommendation
文章作者：Zeyuan Chen, Wei Zhang, Junchi Yan, Gang Wang, Jianyong Wang
文章地址：https://dl.acm.org/doi/pdf/10.1145/3459637.3482443
文章导读：文章作者来自华东师范大学和上海交通大学。本文是将图神经网络应用于序列推荐方向，利用图神经网络挖掘用户和item之间的动态时序关系，提出时间切片的图神经网络，从全局角度对丰富且高阶的用户-item交互进行建模，以获得更好的动态用户和项目表示。将连续时间片的时序预测整合到整个模型中，以此捕获细粒度的时间信息。

Architecture of the model DRL-SRe

本期内容：白鹏、吴洋、张林

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