GNN 在自然语言处理中的应用：
【NAACL-HLT 2019】Text Generation from Knowledge Graphs with Graph Transformers
文章作者：Rik Koncel-Kedziorski, Dhanush Bekal, Yi Luan, Mirella Lapata and Hannaneh Hajishirzi
文章地址：https://arxiv.org/pdf/1904.02342.pdf
文章导读：文章由华盛顿大学和爱丁堡大学人员完成，解决的是从信息提取系统的输出，尤其是知识图谱中生成连贯的多句文本的问题。文章引入了一种新颖的图转换编码器，它可以利用此类知识图的关系结构，而无需施加线性化或分层约束。结合到编码器 - 解码器设置中，文章提供了一个端到端的可训练系统，用于我们应用于科学文本领域的图到文本生成。
GNN在社会网络中的应用：
【KDD 2018】DeepInf: Social Influence Prediction with Deep Learning
文章作者：Jiezhong Qiu, Jian Tang, Hao Ma, Yuxiao Dong, Kuansan Wang, Jie Tang
文章地址：https://arxiv.org/pdf/1807.05560.pdf
文章导读：文章由清华大学，微软研究院，加拿大蒙特利大学学者研究完成。本文提出一个深度学习框架DeepInf，希望通过端到端的网络解决关注社会信息网络活动中的社会影响预测问题。对用户u的影响预测，是要预测用户u的状态是否会发生改变。首先从原始庞大的网络中使用随机游走采样用户u的邻居节点构成一个固定大小的子图，然后通过GCN/GAT汇聚邻居节点的状态特征来学习u的状态特征表示，并用于分类预测。
GNN 在推荐系统中的应用：
【IJCAI 2021】User-as-Graph: User Modeling with Heterogeneous Graph Pooling for News Recommendation
文章作者：Chuhan Wu, Fangzhao Wu, Y ongfeng Huang, Xing Xie
文章地址：https://www.ijcai.org/proceedings/2021/0224.pdf
文章导读：文章由清华大学电子工程系和微软亚洲研究院完成，已有的基于用户行为的用户建模方法，通常将用户建模为他们行为的集合或序列，或是用户-物品二分图上的节点。但是这些建模方法难以对行为之间的复杂联系和上下文信息进行充分建模。为了解决这一问题，微软亚洲研究院的研究员们提出了 User-as-Graph 方法，该方法将用户建模为一个由行为组成的异构图，这样就可以更好地理解行为之间复杂的关系和上下文信息，进而更加准确地表示用户信息。
本期内容：白鹏 吴洋 张林
评论
沙发等你来抢