1.【ICLR 2020】Composition-based multi-relational graph convolutional networks
作者：Shikhar Vashishth, Soumya Sanyal, Vikram Nitin, Partha Talukdar
链接：https://arxiv.org/pdf/1911.03082.pdf
导读：这篇针对传统的多关系GCN存在的问题 (1)需要太多参数对关系建模；(2)只考虑对 node 学习 embedding，提出了一个联合 node 和 relation 建模的 GCN 模型 (COMPGCN)。为了减少关系的参数量和适应大规模关系建模，作者将每种关系的向量表示成一组有限个基向量的线性组合，这样通过学习基向量和每个关系对基向量的权重向量就能实现对大量关系建模的参数轻量化。在学习某个 node 的向量表达时，不仅仅考虑上一层邻居的 node 的向量还考虑连接它与它邻居的边的关系向量。其中的关系包含正向、反向和自环关系。通过与基线模型（SACN, RotatE, ConvKB 等最近的模型）在 Link Prediction, Node Classificatoin, Graph Classificatoin 任务上的对比，该模型取得了显著的效果。

2.【KDD 2019】Estimating Node Importance in Knowledge Graphs Using Graph Neural Networks
作者：Namyong Park, Andrey Kan, Xin Luna Dong, Tong Zhao, Christos Faloutsos
链接：https://www.kdd.org/kdd2019/accepted-papers/view/estimating-node-importance-in-knowledge-graphs-using-graph-neural-networks
导读：该论文研究了一种基于GNN的知识图谱中节点重要性估计方法用于解决此前的方法的局限（1）只考虑网络的结构没有考虑节点的输入信息；（2）没有考虑节点之间关系的类型；（3）之前的方法都是参数不可优化模型。本文中的模型首先基于所有节点的输入特征，通过一个全连接层学习每个节点的初始打分。然后用一个GCN层来汇聚邻居节点的打分，GCN聚合函数以加权的方式将所有邻居节点的打分聚合到当前节点 i，从而得到一个节点打分 s(i)。邻居的权重计算会考虑当前节点 i 的打分，邻居节点的打分和它们之间的谓语信息。此外还会计算一个衡量节点 i 的 centrality（基于节点的度）打分 c(i)，最终的打分为 s(i) * c(i)。实验验证，该模型在节点重要性任务上4个数据集上的表现都比之前的方法表现好。

3.【KDD 2020】Multiimport: inferring node importance in a knowledge graph from multiple input signals
作者：Namyong Park , Andrey Kan , Xin Luna Dong , Tong Zhao , Christos Faloutsos
链接：https://arxiv.org/pdf/2006.12001.pdf
导读：这篇文章的作者也是 GENI 的作者，该工作（Multiimport）主要改进 GENI 模型不能应对节点的多种输入信息（比如投票，浏览量）这一缺点，此外还考虑到了处理不同输入信息之间存在的矛盾。Multiimport 的网络结构与 GENI 非常类似，该模型先采用一个全连接层将节点的信息（每个节点包含多种信息）编码层一个一维数值用于表示节点的重要性打分。然后使用多层 GCN 来聚合邻居打分信息，聚合函数在聚合邻居的重要性时也会考虑邻居的权重，该权重计算方式与 GENI 一样。最后，Multiimport 也采用了跟GENI一样的 centrality 定义方式。相对 GENI ，Multiimport 采用了更为复杂的 Loss，它考虑了预测评分与真实评分之间的交叉熵，知识图谱的结构，和模型参数复杂度。此外，该工作还提出了一个处理多种评分输入信息之间矛盾的机制。通过对比多个Baseline在多个数据集上的表现，Multiimport取得了 SOTA效果。
 本期内容：盛泳潘 黄豪

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