亚洲男人的天堂2018av,欧美草比,久久久久久免费视频精选,国色天香在线看免费,久久久久亚洲av成人片仓井空

題目： 解決基于圖神經網絡的會話推薦存在的信息損失問題

會議： KDD 2020

論文地址： //dl.acm.org/doi/pdf/10.1145/3394486.3403170

推薦理由： 這篇論文提出了目前在使用圖神經網絡方法來解決基于會話的推薦問題時所存在的兩個信息缺失問題并建立一個沒有信息丟失問題的模型，在三個公共數據集上優于最先進的模型。

在許多在線服務中，用戶的行為自然是按時間排序的。為了預測用戶未來的行為，下一項（next-item）推薦系統通過從用戶的歷史行為中挖掘序列模式來學習用戶的偏好。基于會話的推薦是下一項推薦的特殊情況。與一般的下一項推薦系統使用固定數量的前n項來預測下一項不同，基于會話的推薦系統將用戶的操作分組為互不關聯的會話，只使用當前會話中的項目來進行推薦。其中會話是在時間上接近的一組項目。基于會話的推薦的思想來自于這樣一種觀察，即會話內依賴項對下一項的影響比會話間依賴項更大。因此，一般的下一項推薦系統可能存在合并不相關會話和提取不完整會話的問題。而基于會話的推薦系統則不存在這樣的問題，因此可以做出更準確的推薦，并被部署在許多在線服務中。

【導讀】IJCAI（國際人工智能聯合會議，International Joint Conferences on Artificial Intelligence）作為人工智能領域最頂級的國際學術會議之一，IJCAI 的舉辦自然備受矚目。第29屆國際人工智能聯合會議和第17屆環太平洋國際人工智能會議原定于2020年7月11日在日本橫濱召開，但由于疫情影響，將延期半年，至 2021年1月召開。近期，IJCAI 2020 論文集已經放出來。在 4717 份有效投稿中，最終僅有 592 篇被接收，接收率為 12.6%，這也是 IJCAI 史上最低的接收率。我們發現在今年的IJCAI 2020會議上圖神經網絡相關的論文非常多，今天小編專門整理最新6篇圖神經網絡（GNN）應用在數據挖掘上的相關論文——多通道GNN、自適應時空圖卷積、會話流GNN、雙重注意力GNN、域自適應HIN、雙線性GNN

IJCAI 2020 Accepted Paper: //www.ijcai.org/Proceedings/2020/

IJCAI2020GNN_Part1、ICML2020GNN_Part1、KDD2020GNN_Part1、CVPR2020SGNN、CVPR2020GNN_Part2、CVPR2020GNN_Part1、WWW2020GNN_Part1、AAAI2020GNN、ACMMM2019GNN、

1、Multi-Channel Graph Neural Networks

作者：Kaixiong Zhou, Qingquan Song, Xiao Huang, Daochen Zha, Na Zou, Xia Hu

摘要：在許多學科中，圖結構數據的分類已變得越來越重要。已經觀察到，現實世界圖中的隱式或顯式分層社區結構可能對下游分類應用有用。利用層次結構的一種直接方法是利用池化算法將節點聚類為固定簇（cluster），然后逐層縮小輸入圖以學習池化圖。但是，池化縮小（ pool shrinking）會舍棄圖的詳細信息，從而難以區分兩個非同構圖，并且固定簇忽略了節點固有的多重特征。為了補償縮小損失并了解各個節點的特性，我們提出了多通道圖神經網絡（MuchGNN）。受卷積神經網絡中提出的底層機制的啟發，我們定義了定制的圖卷積，以學習每一層的一系列圖通道，并按層次縮小圖以對合并的結構進行編碼。真實數據集上的實驗結果證明了MuchGNN優于最新方法。

網址：

2、GraphSleepNet: Adaptive Spatial-Temporal Graph Convolutional Networks for Sleep Stage Classification

作者：Ziyu Jia, Youfang Lin, Jing Wang, Ronghao Zhou, Xiaojun Ning, Yuanlai He, Yaoshuai Zhao

摘要：睡眠階段分類對于睡眠評估和疾病診斷至關重要。但是，如何有效利用大腦的空間特征和睡眠階段之間的轉換信息仍然是一個挑戰。特別地，由于對人腦的了解有限，為睡眠階段分類預定義合適的空間腦連接結構仍然是一個懸而未決的問題。在本文中，我們提出了一種新穎的深度圖神經網絡，名為GraphSleepNet，用于自動睡眠階段分類。GraphSleepNet的主要優點是可以自適應地學習以鄰接矩陣表示的不同腦電圖（EEG）通道之間的內在聯系，從而為時空圖卷積網絡（ST-GCN）提供服務，以進行睡眠階段分類。同時，ST-GCN由用于提取空間特征的圖形卷積和用于捕獲睡眠階段之間的轉換規則的時間卷積組成。蒙特利爾睡眠研究檔案（MASS）數據集上的實驗表明GraphSleepNet優于最新的基線。

網址：

3、GraphFlow: Exploiting Conversation Flow with Graph Neural Networks for Conversational Machine Comprehension

作者：Yu Chen, Lingfei Wu, Mohammed J. Zaki

摘要：事實證明，與傳統MC相比，會話機器理解（MC）更具挑戰性，因為它需要更好地利用會話歷史記錄。但是，大多數現有方法無法有效地捕獲會話歷史記錄，因此難以處理涉及的指代或省略號的問題。此外，在對段落文本進行推理時，大多數人只是將其視為單詞序列，而沒有探索單詞之間豐富的語義關系。在本文中，我們首先提出一種簡單而有效的圖結構學習技術，以在每次對話轉折時動態構造一個具有問題和會話歷史意識的上下文圖。然后，我們提出了一種新穎的遞歸圖神經網絡，并在此基礎上，引入了一種flow機制來對一系列上下文圖中的時間依賴性進行建模。與現有的CoQA，QuAC和DoQA基準的最新技術相比，我們所提出的GRAPHFLOW模型可以有效地捕獲會話中的對話流，并顯示出可競爭的性能。此外，可視化實驗表明，我們提出的模型可以為推理過程提供良好的可解釋性。

網址：

4、GoGNN: Graph of Graphs Neural Network for Predicting Structured Entity Interactions

作者：Hanchen Wang, Defu Lian, Ying Zhang, Lu Qin, Xuemin Lin

摘要：實體交互預測在許多重要應用中至關重要，例如化學，生物學，材料科學和醫學。當每個實體由復雜結構（即結構化實體）表示時，該問題變得非常具有挑戰性，因為涉及兩種類型的圖：結構化實體的局部圖和捕獲結構化實體之間的交互的全局圖。我們注意到，現在有關結構化實體交互預測的工作無法正確利用圖模型的唯一圖。在本文中，我們提出了一種圖神經網絡圖（Graph of Graphs Neural Network，GoGNN），它以分層的方式提取結構化實體圖和實體交互圖中的特征。我們還提出了雙重注意機制，該機制使模型能夠在圖的兩個級別中保留鄰居的重要性。在現實世界的數據集上進行的大量實驗表明，GoGNN在兩個代表性的結構化實體交互預測任務上勝過了最新技術：化學-化學交互預測和藥物-藥物交互預測。

代碼：

網址：

5、Domain Adaptive Classification on Heterogeneous Information Networks

作者：Shuwen Yang, Guojie Song, Yilun Jin, Lun Du

摘要：異構信息網絡（HIN）是無處不在的結構，因為它們可以描述復雜的關系數據。由于這些數據的復雜性，很難在HIN上獲得足夠的標記數據，從而妨礙了HIN的分類。雖然領域適應（DA）技術已在圖像和文本中得到廣泛利用，但是異構性和復雜的語義對HIN上的領域自適應分類提出了特定的挑戰。一方面，HIN涉及多個級別的語義，這要求在它們之間進行域對齊。另一方面，由于域不變性特征是同質的并且對分類沒有信息，因此必須精心選擇域相似性和可區分性之間的權衡。在本文中，我們提出了多空間域自適應分類（MuSDAC）來解決HIN上的DA問題。具體來說，我們利用多通道共享權重GCN，將HIN中的節點投影到執行成對對齊的多個空間。此外，我們提出了一種啟發式采樣算法，該算法可以有效地選擇具有可區分性的通道組合，并采用移動平均加權投票（moving averaged weighted voting）方案來融合所選通道，從而最大程度地減少傳輸和分類損失。在成對數據集上進行的大量實驗證明了我們模型在HIN領域自適應分類和各個組成部分的貢獻方面的表現。

網址：

6、Bilinear Graph Neural Network with Neighbor Interactions

作者：Hongmin Zhu, Fuli Feng, Xiangnan He, Xiang Wang, Yan Li, Kai Zheng, Yongdong Zhang

摘要：圖神經網絡（GNN）是一個功能強大的模型，可用于學習表示形式并對圖形數據進行預測。對GNN的現有工作已將圖卷積定義為所連接節點的特征的加權和，以形成目標節點的表示形式。然而，加權和的運算假設相鄰節點彼此獨立，并且忽略它們之間可能的交互。當存在這樣的交互時，例如兩個鄰居節點的同時出現是目標節點特征的強烈信號，現有的GNN模型可能無法捕獲該信號。在這項工作中，我們認為在GNN中對相鄰節點之間的交互進行建模是十分重要的。我們提出了一種新的圖卷積算子，該算子通過鄰居節點表示的成對交互來增加加權和。我們將此框架稱為雙線性圖神經網絡（ Bilinear Graph Neural Network ，BGNN），該框架可通過相鄰節點間的雙線性交互雙線性來提高GNN表示能力。特別是，我們分別基于著名的GCN和GAT指定了兩個名為BGCN和BGAT的BGNN模型。關于三個半監督節點分類的公開基準的實證結果證明了BGNN的有效性-BGCN（BGAT）在分類準確度方面比GCN（GAT）高1.6％（1.5％）。

代碼：

網址：

圖神經網絡在圖表示學習領域取得了顯著的成功。圖卷積執行鄰域聚合，并表示最重要的圖運算之一。然而，這些鄰域聚合方法的一層只考慮近鄰，當進一步啟用更大的接受域時，性能會下降。最近的一些研究將這種性能下降歸因于過度平滑問題，即重復傳播使得不同類的節點表示無法區分。在這項工作中，我們系統地研究這一觀察結果，并對更深的圖神經網絡發展新的見解。本文首先對這一問題進行了系統的分析，認為當前圖卷積運算中表示變換與傳播的糾纏是影響算法性能的關鍵因素。將這兩種操作解耦后，更深層次的圖神經網絡可用于從更大的接受域學習圖節點表示。在建立深度模型時，我們進一步對上述觀察結果進行了理論分析，這可以作為過度平滑問題的嚴格而溫和的描述。在理論和實證分析的基礎上，我們提出了深度自適應圖神經網絡(DAGNN)，以自適應地吸收來自大接受域的信息。一組關于引文、合著和共購數據集的實驗證實了我們的分析和見解，并展示了我們提出的方法的優越性。

//arxiv.org/abs/2007.09296

本文研究如何更好聚合網絡拓撲信息和特征信息。中心思想是，構造了結構圖，特征圖(feature graph)，以及兩者的組合來提取特定的和通用的嵌入，并使用注意機制來學習嵌入的自適應重要性權重。實驗發現，AM-GCN可以從節點特征和拓撲結構中提取自適應地提取相關的信息，對應不同的參數取值。 //arxiv.org/abs/2007.02265

摘要：圖卷積網絡(GCNs)在處理圖數據和網絡數據的各種分析任務方面得到了廣泛的應用。然而，最近的一些研究提出了一個問題，即GCNs是否能夠在一個信息豐富的復雜圖形中優化地整合節點特征和拓撲結構。在本文中，我們首先提出一個實驗研究。令人驚訝的是，我們的實驗結果清楚地表明，當前的GCNs融合節點特征和拓撲結構的能力遠遠不是最優的，甚至是令人滿意的。由于GCNs無法自適應地學習拓撲結構與節點特征之間的一些深層次關聯信息，這一弱點可能會嚴重阻礙GCNs在某些分類任務中的能力。我們能否彌補這一缺陷，設計出一種新型的GCNs，既能保留現有GCNs的優勢，又能大幅度提高拓撲結構和節點特征融合的能力?為了解決這個問題，我們提出了一種自適應多通道半監督分類圖卷積網絡。其核心思想是同時從節點特征、拓撲結構及其組合中提取具體的和常見的嵌入，并利用注意機制學習嵌入的自適應重要度權值。我們在基準數據集上進行的大量實驗表明，AM-GCN從節點特征和拓撲結構中提取了最多的相關信息，顯著提高了分類精度。

題目： Continuous Graph Neural Networks

摘要：

本文建立了圖神經網絡與傳統動力系統之間的聯系。我們提出了持續圖神經網絡(CGNN)，它將現有的圖神經網絡與離散動力學進行了一般化，因為它們可以被視為一種特定的離散化方案。關鍵思想是如何表征節點表示的連續動力學，即關于時間的節點表示的導數。受現有的基于擴散的圖方法(如社交網絡上的PageRank和流行模型)的啟發，我們將導數定義為當前節點表示、鄰節點表示和節點初始值的組合。我們提出并分析了兩種可能的動態圖，包括節點表示的每個維度(又名特征通道)各自改變或相互作用的理論證明。所提出的連續圖神經網絡在過度平滑方面具有很強的魯棒性，因此允許我們構建更深層次的網絡，進而能夠捕獲節點之間的長期依賴關系。在節點分類任務上的實驗結果證明了我們提出的方法在和基線對比的有效性。

介紹

圖神經網絡(GNNs)由于其在節點分類等多種應用中的簡單性和有效性而受到越來越多的關注;、鏈接預測、化學性質預測、自然語言理解。GNN的基本思想是設計多個圖傳播層，通過聚合鄰近節點的節點表示和節點本身的表示，迭代地更新每個節點表示。在實踐中，對于大多數任務，幾層(兩層或三層)通常就足夠了，更多的層可能導致較差的性能。

改進GNNs的一個關鍵途徑是能夠建立更深層次的網絡，以了解數據和輸出標簽之間更復雜的關系。GCN傳播層平滑了節點表示，即圖中相鄰的節點變得更加相似。當我們堆疊越來越多的層時，這會導致過度平滑，這意味著節點表示收斂到相同的值，從而導致性能下降。因此，重要的是緩解節點過平滑效應，即節點表示收斂到相同的值。

此外，對于提高我們對GNN的理論理解，使我們能夠從圖結構中描述我們可以學到的信號，這是至關重要的。最近關于理解GCN的工作(Oono和Suzuki, 2020)認為GCN是由離散層定義的離散動力系統。此外，Chen等人(2018)證明了使用離散層并不是構建神經網絡的唯一視角。他們指出，帶有剩余連接的離散層可以看作是連續ODE的離散化。他們表明，這種方法具有更高的記憶效率，并且能夠更平滑地建模隱藏層的動態。

我們利用基于擴散方法的連續視角提出了一種新的傳播方案，我們使用來自常微分方程(即連續動力系統)的工具進行分析。事實上，我們能夠解釋我們的模型學習了什么表示，以及為什么它不會遭受在GNNs中常見的過度平滑問題。允許我們建立更深層次的網絡，也就是說我們的模型在時間價值上運行良好。恢復過平滑的關鍵因素是在連續設置中使用了最初在PageRank中提出的原始分布。直觀上，重新開始分布有助于不忘記鄰接矩陣的低冪次信息，從而使模型收斂到有意義的平穩分布。

本文的主要貢獻是:

• 基于PageRank和擴散方法，提出了兩個連續遞增模型容量的ODEs;
• 我們從理論上分析了我們的層學習的表示，并表明當t → ∞我們的方法接近一個穩定的不動點，它捕獲圖結構和原始的節點特征。因為我們在t→∞時是穩定的，我們的網絡可以有無限多個“層”，并且能夠學習遠程依賴關系;
• 我們證明了我們的模型的記憶是高效的，并且對t的選擇是具有魯棒性的。除此之外，我們進一步證明了在節點分類任務上，我們的模型能夠比許多現有的最先進的方法表現更好。

最近，數據挖掘領域國際最高級別會議KDD 2019 于 2019 年 8 月 4 日- 8 日在美國阿拉斯加州安克雷奇市舉行。今年的 KDD 包括兩個track：Research Track和 Applied Data Science track。據了解，Research Track 共收到約 1200 篇投稿，其中約 110 篇 接收為oral 論文，60 篇 接收為poster 論文，接收率僅為 14%。專知小編發現關于圖神經網絡的相關論文在今年的KDD上非常多，所以今天小編專門整理最新12篇圖神經網絡（GNN）相關論文——聚類-GCN、條件隨機場-GCN、Degree-GNN、GCN-MF、GCN-Pooling、GRN、異構GNN、強化學習-GNN、對抗攻擊-GCN。

1. Cluster-GCN: An Efficient Algorithm for Training Deep and Large Graph Convolutional Networks

作者：Wei-Lin Chiang; Xuanqing Liu; Si Si; Yang Li; Samy Bengio; Cho-Jui Hsieh;

摘要：圖卷積網絡(GCN)已成功地應用于許多基于圖的應用中; 然而，訓練一個大規模的GCN仍然是具有挑戰性的。現有的基于SGD的算法要么計算成本高，且隨著GCN層數的增加呈指數級增長，要么需要很大的空間來保存整個圖以及在內存中嵌入每個節點。本文利用圖的聚類結構，提出了一種新的適合于基于SGD的訓練的GCN算法Cluster-GCN。Cluster-GCN的工作原理如下: 在每一步中，它對與圖聚類算法標識的密集子圖相關聯的節點塊進行采樣，并限制在該子圖中進行鄰域搜索。這種簡單而有效的策略能夠顯著提高內存和計算效率，同時能夠達到與以前算法相當的測試精度。為了測試算法的可擴展性，我們創建了一個新的Amazon2M數據集，包含200萬個節點和6100萬條邊，比之前最大的公共可用數據集(Reddit)大5倍以上。對于在此數據集上訓練3層GCN, Cluster-GCN比之前最先進的VR-GCN(1523秒vs. 1961秒)更快，并且使用更少的內存(2.2GB vs. 11.2GB)。此外，對于該數據集的4層GCN的訓練，我們的算法可以在36分鐘左右完成，而現有的GCN訓練算法都因為內存不足而無法訓練。此外，Cluster-GCN允許我們在不需要太多時間和內存開銷的情況下訓練更深層的GCN，從而提高了預測精度——使用5層Cluster-GCN，我們在PPI數據集上實現了最先進的測試結果，F1 score為99.36，而之前最好的結果是98.71。

網址：

//www.kdd.org/kdd2019/accepted-papers/view/cluster-gcn-an-efficient-algorithm-for-training-deep-and-large-graph-convol

2. Conditional Random Field Enhanced Graph Convolutional Neural Networks

作者：Hongchang Gao; Jian Pei; Heng Huang;

摘要：圖卷積神經網絡近年來受到越來越多的關注。與標準卷積神經網絡不同，圖卷積神經網絡對圖數據進行卷積運算。與一般數據相比，圖數據具有不同節點間的相似性信息。因此，在圖卷積神經網絡的隱層中保存這種相似性信息是非常重要的。然而，現有的工作沒有做到這一點。另一方面，為了保持相似關系，對隱藏層的增強是一個挑戰。為了解決這一問題，我們提出了一種新的CRF層用于圖卷積神經網絡，以使得相似節點具有相似的隱藏特征。這樣，可以顯式地保存相似性信息。此外，我們提出的CRF層易于計算和優化。因此，它可以很容易地插入到現有的圖卷積神經網絡中，提高其性能。最后，大量的實驗結果驗證了我們提出的CRF層的有效性。

網址：

3. DEMO-Net: Degree-specific Graph Neural Networks for Node and Graph Classification

作者：Jun Wu; Jingrui He; Jiejun Xu;

摘要：圖數據廣泛存在于許多具有高影響力的應用中。受網格結構數據深度學習成功的啟發，研究者提出了一種學習強大的節點級或圖級表示的圖神經網絡模型。然而，現有的圖神經網絡大多存在以下局限性：(1)對圖卷積的seed-oriented、degree-aware、order-free等特性的分析比較有限; (2) 在區分結構感知節點鄰域時，沒有將節點的degree-specific圖結構顯式表示為圖卷積; (3)圖級pooling機制的理論解釋尚不明確。為了解決這些問題，我們提出了一種基于Weisfeiler- Lehman圖同構測試的通用degree-specific圖神經網絡DEMO-Net。為了顯式地捕獲與節點屬性集成的圖的拓撲結構，我們認為圖卷積應該具有三個屬性：seed-oriented, degree-aware 和order-free。為此，我們提出了多任務圖卷積，其中每個任務表示具有specific degree value的節點的節點表示學習，從而保持了degree-specific的圖結構。特別地，我們設計了兩種多任務學習方法：degree-specific權重法和圖卷積的哈希函數法。此外，我們還提出了一種新的圖級pooling/readout方案，用于學習圖形表示，可證明位于degree-specific的Hilbert kernel空間中。在多個節點和圖分類基準數據集上的實驗結果表明，我們提出的DEMO-Net相對于最先進的圖神經網絡模型的有效性和高效性。

網址：

4. GCN-MF: Disease-Gene Association Identification By Graph Convolutional Networks and Matrix Factorization

作者：Peng Han; Peng Yang; Peilin Zhao; Shuo Shang; Yong Liu; Jiayu Zhou; Xin Gao; Panos Kalnis;

摘要：發現疾病基因關聯是一項基礎性和關鍵性的生物醫學任務，它有助于生物學家和醫生發現癥候的致病機制。基于網絡的半監督學習(NSSL)是這些研究中常用的一種方法，它利用各種臨床生物標志物來測量基因和疾病表型之間的相似性，來解決這個類平衡的大規模數據問題。然而，大多數現有的NSSL方法都是基于線性模型的，存在兩個主要限制:1)它們隱式地考慮每個候選對象的局部結構表示; 2)他們無法捕捉疾病和基因之間的非線性聯系。本文將圖卷積網絡(GCN)和矩陣因子分解相結合，提出了一種新的疾病基因關聯任務框架GCN-MF。在GCN的幫助下，我們可以捕獲非線性相互作用，并利用測量到的相似性。此外，我們定義了一個邊際控制損失函數，以減少稀疏性的影響。實驗結果表明，所提出的深度學習算法在大多數指標上都優于其他最先進的方法。

網址：

5. Estimating Node Importance in Knowledge Graphs Using Graph Neural Networks

作者：Namyong Park; Andrey Kan; Xin Luna Dong; Tong Zhao; Christos Faloutsos;

摘要：如何估計知識圖譜(KG)中節點的重要性? KG是一個多關系圖，它被證明對于許多任務(包括問題回答和語義搜索)都很有價值。在本文中，我們提出了GENI，一種解決KG中節點重要性估計問題的方法，該方法支持商品推薦和資源分配等多種下游應用。雖然已經有了一些方法來解決一般圖的這個問題，但是它們沒有充分利用KG中可用的信息，或者缺乏建模實體與其重要性之間復雜關系所需的靈活性。為了解決這些限制，我們探索了有監督的機器學習算法。特別是，基于圖神經網絡（GNN）的最新進展，我們開發了GENI，這是一種基于GNN的方法，旨在應對預測KG中節點重要性所涉及的獨特挑戰。我們的方法通過predicate-aware注意力機制和靈活的中心性調整來執行重要性分數的聚合，而不是聚合節點嵌入。在我們對GENI和現有方法的評估中，GENI在預測具有不同特征的真實KG中節點重要性方面比現有方法高出5-17%。

網址：

6. Graph Convolutional Networks with EigenPooling

作者：Yao Ma; Suhang Wang; Charu Aggarwal; Jiliang Tang;

摘要：圖神經網絡將深度神經網絡模型推廣到圖結構數據中，近年來受到越來越多的關注。它們通常通過轉換、傳播和聚合節點特征來學習節點表示，并被證明可以提高許多與圖相關的任務的性能，如節點分類和鏈接預測。將圖神經網絡應用于圖分類任務，需要從節點表示生成圖表示的方法。一種常見的方法是全局組合節點表示。然而，豐富的結構信息被忽略了。因此，在圖表示學習過程中，需要一個層次的pooling過程來保持圖的結構。最近有一些關于層次學習圖表示的工作類似于傳統卷積神經網絡（CNN）中的pooling步驟。然而，在匯聚過程中，局部結構信息在很大程度上仍然被忽略。本文介紹了一種基于圖的傅里葉變換的pooling操作EigenPooling，它可以利用pooling過程中的節點特征和局部結構。然后基于pooling算子設計pooling層，并與傳統的GCN卷積層進一步結合，形成一個用于圖分類的圖神經網絡框架EigenGCN。從局部和全局的角度對EigenGCN進行了理論分析。圖分類任務在6個常用benchmark上的實驗結果表明了該框架的有效性。

網址：

7. Graph Recurrent Networks with Attributed Random Walks

作者：Xiao Huang; Qingquan Song; Yuening Li; Xia Hu;

摘要：隨機游走被廣泛應用于從網絡嵌入到標簽傳播的各種網絡分析任務中。它可以捕獲并將幾何結構轉換為結構化序列，同時解決了稀疏性和維數的災難性問題。雖然對純網絡上的隨機游走進行了深入的研究，但在實際系統中，節點往往不是純頂點，而是具有不同的特征，并由與之相關的豐富數據集來描述。這些節點屬性包含豐富的信息，這些信息通常是網絡的補充，并為基于隨機游走的分析帶來了機會。然而，目前還不清楚如何為attributed網絡開發隨機游走來實現有效的聯合信息提取。節點屬性使得節點之間的交互更加復雜，拓撲結構也更加異構。

為了彌補這一不足，我們研究了在attributed網絡上進行聯合隨機游動，并利用它們來提高深度節點表示學習。提出的框架GraphRNA由兩個主要組件組成，即，一種協作游走機制—AttriWalk，以及一種為隨機游走量身定制的深度嵌入體系結構，稱為圖遞歸網絡(graph recurrent networks ，GRN)。AttriWalk將節點屬性看作是一個二分網絡，并利用它來促進節點間的離散化，減少節點間向高中心匯聚的趨勢。AttriWalk使我們能夠將突出的深度網絡嵌入模型-圖卷積網絡推向一個更有效的架構——GRN。GRN賦予節點表示以與原始attributed網絡中的節點交互相同的方式進行交互。在真實數據集上的實驗結果表明，與目前最先進的嵌入算法相比，GraphRNA算法很有效。

網址：

8. HetGNN: Heterogeneous Graph Neural Network

作者：Chuxu Zhang; Dongjin Song; Chao Huang; Ananthram Swami; Nitesh V. Chawla;

摘要：異構圖表示學習的目的是為每個節點尋求一個有意義的向量表示，以便于后續應用，如鏈接預測、個性化推薦、節點分類等。然而，該任務具有挑戰性，不僅因為需要合并異構由多種類型的節點和邊組成的結構（圖）信息，但也需要考慮與每個節點相關聯的異構屬性或內容（例如，文本或圖像）。盡管在同構(或異構)圖嵌入、屬性圖嵌入以及圖神經網絡等方面都做了大量的工作，但很少有圖神經網絡能夠有效地聯合考慮圖的異構結構(圖)信息以及各節點的異構內容信息。為此，我們提出了一種異構圖神經網絡模型HetGNN。具體來說，我們首先引入一個具有重啟策略的隨機游走，為每個節點抽取一個固定大小的強相關異構鄰居，并根據節點類型對它們進行分組。接下來，我們設計了一個包含兩個模塊的神經網絡結構來聚合這些采樣的相鄰節點的特征信息。第一個模塊對異構內容的“深度”特性交互進行編碼，并為每個節點生成內容嵌入。第二個模塊聚合不同鄰近組(類型)的內容(屬性)嵌入，并通過考慮不同組的影響來進一步組合它們，以獲得最終的節點嵌入。最后，我們利用圖context loss和一個mini-batch梯度下降過程以端到端方式訓練模型。在多個數據集上的大量實驗表明，HetGNN在各種圖挖掘任務（比如鏈路預測、推薦、節點分類聚類、歸納節點分類聚類）中都能超越最先進的baseline。

網址：

9. Learning Dynamic Context Graphs for Predicting Social Events

作者：Songgaojun Deng; Huzefa Rangwala; Yue Ning;

摘要：以建模上下文信息為目標的事件預測是自動分析生成和資源分配等應用程序的一項重要任務。為感興趣的事件捕獲上下文信息可以幫助分析人員理解與該事件相關的因素。然而，由于以下幾個因素，在事件預測中獲取上下文信息是具有挑戰性的: (i)上下文結構和形成的不確定性，(ii)高維特征，以及(iii)特征隨時間的適應性。最近，圖表示學習在交通預測、社會影響預測和可視化問題回答系統等應用中取得了成功。在本文中，我們研究了社會事件建模中的圖表示，以識別事件上下文的動態屬性作為social indicators。

受圖神經網絡的啟發，我們提出了一種新的圖卷積網絡來預測未來的事件(例如，國內動亂運動)。我們從歷史/以前的事件文檔中提取和學習圖表示。該模型利用隱藏的單詞圖特征預測未來事件的發生，并將動態圖序列識別為事件上下文。在多個真實數據集上的實驗結果表明，該方法與各種先進的社會事件預測方法相比具有較強的競爭力。

網址：

10. Automating Feature Subspace Exploration via Multi-Agent Reinforcement Learning

作者：Kunpeng Liu; Yanjie Fu; Pengfei Wang; Le Wu; Rui Bo; Xiaolin Li;

摘要：特征選擇是機器學習的預處理步驟，它試圖為后續的預測任務選擇最相關的特征。有效的特征選擇可以降低維數，提高預測精度，提高結果的可理解性。從子集空間中尋找最優特征子集是一個非常具有挑戰性的問題，因為子集空間可能非常大。在已有研究的基礎上，增強學習為搜索策略的全局化提供了新的視角。針對特征選擇問題，提出了一種多智能體增強學習框架。具體來說，我們首先用一個增強學習框架來重新制定特征選擇，將每個特征視為一個智能體。然后，通過三種方法得到環境狀態，即為了使算法更好地理解學習過程，本文采用了統計描述、自動編碼器和圖卷積網絡(GCN)。我們展示了如何以一種基于圖的方式學習狀態表示，這種方法不僅可以處理邊的變化，還可以處理節點逐步變化的情況。此外，我們還研究了如何通過更合理的獎勵方案來改善不同特征之間的協調。該方法具有全局搜索特征子集的能力，并且由于增強學習的性質，可以很容易地適應實時情況(實時特征選擇)。此外，我們還提出了一種有效的加速多智能體強化學習收斂的策略。最后，大量的實驗結果表明，該方法比傳統方法有顯著的改進。

網址：

11. Robust Graph Convolutional Networks Against Adversarial Attacks

作者：Dingyuan Zhu; Ziwei Zhang; Peng Cui; Wenwu Zhu;

摘要：圖卷積網絡(GCNs)是一種新興的基于圖的神經網絡模型，在節點分類任務中取得了最先進的性能。然而，近年來的研究表明，GCN容易受到惡意攻擊，即在圖結構和節點屬性上的小擾動，這給GCN網絡在實際應用中帶來了很大的挑戰。如何提高GCN的魯棒性仍然是一個關鍵的開放性問題。

為了解決這一問題，我們提出了Robust GCN (RGCN)，這是一種新的模型，它“加強”了GCN的對抗攻擊能力。具體來說，我們的方法不是將節點表示為向量，而是采用高斯分布作為每個卷積層中節點的隱藏表示。這樣，當圖受到攻擊時，我們的模型可以自動吸收高斯分布方差變化的不利影響。此外，為了彌補對抗性攻擊在GCN中的傳播，我們提出了一種基于方差的注意力機制，即在執行卷積時根據節點鄰域的方差分配不同的權值。大量的實驗結果表明，我們提出的方法可以有效地提高GCN的魯棒性。在三個基準圖上，與最先進的GCN方法相比，我們的RGCN在各種對抗攻擊策略下的節點分類精度有了顯著提高。

網址：

12. Stability and Generalization of Graph Convolutional Neural Networks

作者：Saurabh Verma; Zhi-Li Zhang;

摘要：圖卷積神經網絡(GCNNs)是受卷積神經網絡在一維和二維數據上的啟發而發展起來的一種用于各種圖數據學習任務的神經網絡，在實際數據集上表現出了良好的性能。盡管GCNN模型取得了一定的成功，但是對于GCNN模型的泛化性質等理論探索卻十分缺乏。本文通過分析單層GCNN模型的穩定性，推導出其在半監督圖學習環境下的泛化保證，為深入理解GCNN模型邁出了第一步。特別地，我們證明了GCNN模型的算法穩定性依賴于其圖卷積濾波器的最大絕對特征值。此外，為了確保提供強泛化保證所需的均勻穩定性，最大絕對特征值必須與圖的大小無關。我們的結果為設計新的和改進的具有算法穩定性的圖卷積濾波器提供了新的見解。我們對各種真實世界圖數據集的泛華差距和穩定性進行了評價，實證結果確實支持了我們的理論發現。據我們所知，我們是第一個在半監督設置下研究圖學習的穩定性邊界，并推導出GCNN模型的泛化邊界。

網址：

下載鏈接： 提取碼：zbkg

數據挖掘領域的國際會議WSDM將于2020年2月3日-2月7日在美國休斯敦召開，WSDM 2020全稱為第13屆國際互聯網搜索與數據挖掘會議（The 13th International Conference on Web Search and Data Mining, WSDM 2020）。WSDM是CCF推薦的B類國際學術會議，由SIGIR、SIGKDD、SIGMOD和SIGWEB四個專委會協調籌辦，在互聯網搜索、數據挖掘領域享有較高學術聲譽。這次會議共收到來自615篇長文投稿，僅有91篇長文被錄用，錄用率約15%。

為此小編特意整理了近期五篇圖神經網絡（GNN）相關的接收論文，讓大家先睹為快。

1. A Structural Graph Representation Learning Framework

作者：Ryan A. Rossi, Nesreen K. Ahmed, Eunyee Koh, Sungchul Kim, Anup Rao and Yasin Abbasi-Yadkori;

摘要：許多基于圖的機器學習任務的成功在很大程度上取決于從圖數據中學習到的適當表示。大多數工作都集中在于學習保留鄰近性的節點嵌入，而不是保留節點之間結構相似性的基于結構的嵌入。這些方法無法捕獲對基于結構的應用程序(如web日志中的visitor stitching)至關重要的高階結構依賴和連接模式。在這項工作中，我們闡述了高階網絡表示學習，并提出了一個稱為HONE的通用框架，用于通過節點鄰域中的子圖模式(network motifs, graphlet orbits/positions)從網絡中學習這種結構性節點嵌入。HONE引入了一種通用的diffusion機制和一種節省空間的方法，該方法避免了使用k-step線性算子來顯式構造k-step motif-based矩陣。此外，HONE被證明是快速和有效的，最壞情況下的時間復雜度幾乎是線性的。實驗結果表明，該算法能有效地處理大量的網絡日志數據，包括鏈接預測和visitor stitching。

網址： //ryanrossi.com/pubs/WSDM20-structural-node-embedding-framework.pdf

2. Initialization for Network Embedding: A Graph Partition Approach

作者：Wenqing Lin, Feng He, Faqiang Zhang, Xu Cheng and Hongyun Cai;

摘要：網絡嵌入已經在文獻中得到了深入的研究，并廣泛用于各種應用中，如鏈接預測和節點分類。盡管先前的工作集中在新算法的設計上或針對各種問題設置進行了量身定制，但常常忽略了學習過程中對初始化策略的討論。在這項工作中，我們解決了這個重要的網絡嵌入初始化問題，它可以顯著地提高算法的有效性和效率。具體來說，我們首先利用graph partition技術將圖劃分為幾個不相交的子集，然后基于這些partition構造一個abstract graph。我們通過計算abstract graph上的網絡嵌入，得到圖中每個節點的嵌入初始化，abstract graph上的網絡嵌入比輸入圖小得多，然后將嵌入傳播到輸入圖的節點中。通過對各種數據集的大量實驗，我們證明了我們的初始化技術顯著提高了最先進算法在鏈接預測和節點分類方面的性能，分別提高了7.76%和8.74%。此外，我們證明了初始化技術至少減少了20%的運行時間。

網址：

3. Dynamic graph representation learning via self-attention networks

作者：Aravind Sankar, Yanhong Wu, Liang Gou, Wei Zhang and Hao Yang;

摘要：學習圖中節點的潛在表示是一項重要且普遍存在的任務，在鏈接預測、節點分類和圖可視化等領域有著廣泛的應用。以往的圖表示學習方法主要集中在靜態圖上，而現實世界中的很多圖都是動態的、隨時間變化的。在這篇論文中，我們提出了Dynamic Self-Attention Network (DySAT)，這是一種新型的神經架構，它操作在動態圖上，并學習節點表示，以捕捉結構特性和時間演化模式。具體來說，DySAT通過在兩個維度(結構鄰域和時間動態)上聯合使用self-attention層來計算節點表示。我們對兩類圖進行了鏈接預測實驗：通信網絡和二分評級網絡。我們的實驗結果表明，DySAT在幾種不同的最先進的圖嵌入baseline上有顯著的性能提升。

網址：

4. Relation Learning on Social Networks with Multi-Modal Graph Edge Variational Autoencoders

作者：Carl Yang, Jieyu Zhang, Haonan Wang, Sha Li, Myungwan Kim, Ma? Walker, Yiou Xiao and Jiawei Han;

摘要：盡管節點語義已在社交網絡中得到了廣泛的探索，但對邊緣語義即社會關系的研究很少受到關注。理想的邊緣語義不僅應該顯示兩個用戶是連接的，而且還應該說明他么為什么彼此認識以及共享什么。然而，由于嘈雜的多模態信號和有限的用戶生成的ground-truth標簽，社交網絡中的關系往往很難分析。

在這項工作中，我們的目標是開發一個統一的且有原則的框架，通過在有噪聲和不完整數據存在的情況下整合多模態信號，將用戶關系描述為社交網絡中的邊緣語義。我們的框架對于半監督或無監督的情況也是靈活的。具體地說，我們假定每個用戶鏈接下的多個關系的潛在分布，并使用多模態圖邊緣變分自動編碼器來學習它們。我們用一個圖卷積網絡對網絡數據進行編碼，用多個重構網絡對任意信號進行解碼。在兩個公開的DBLP author network和兩個internal LinkedIn member network上的大量實驗和案例研究證明了我們提出的模型的優越性和有效性。

網址：

5. Robust Graph Neural Network Against Poisoning Attacks via Transfer Learning

作者：Xianfeng Tang, Yandong Li, Yiwei Sun, Huaxiu Yao, Prasenjit Mitra and Suhang Wang;

摘要：圖神經網絡(GNNs)有著廣泛的應用。然而，他們在對抗攻擊的魯棒性方面是不行的。先前的研究表明，對圖拓撲或節點特征使用不明顯的修改會大大降低GNN的性能。設計強大的圖神經網絡以防止poisoning attack是一項非常具有挑戰性的工作。現有工作的目標是僅使用poisoned圖來減少adversarial edge的負面影響，這是次優的，因為它們無法區分adversarial edge和normal edge。另一方面，來自與目標poisoned圖類似領域的clean圖在現實世界中通常是可用的。通過擾動這些clean圖，我們創建了監督知識來訓練檢測adversarial edge的能力，從而提高了GNN的魯棒性。然而，現有的工作忽略了這種clean圖的潛力。為此，我們研究了一個新的問題，通過研究clean圖來提高GNNs對poisoning attack的魯棒性。具體而言，我們提出了PA-GNN，它基于一種懲罰性聚合機制，通過分配較低的注意力系數來直接限制adversarial edge的負面影響。為了優化一個poisoned圖的PA-GNN，我們設計了一種meta-optimization算法，訓練PA-GNN使用clean圖和其adversarial圖懲罰擾動，并將這種能力遷移到poisoned圖上，以提高PA-GNN的魯棒性。在四個真實數據集上的實驗結果證明了PA-GNN對圖數據poisoning attack的魯棒性。

網址：

論文鏈接： 提取碼：uzby

1、MixHop: Higher-Order Graph Convolutional Architectures via Sparsified Neighborhood Mixing（MixHop: 通過稀疏鄰域混合實現的高階圖卷積結構）

作者：Sami Abu-El-Haija, Bryan Perozzi, Amol Kapoor, Nazanin Alipourfard, Kristina Lerman, Hrayr Harutyunyan, Greg Ver Steeg, Aram Galstyan

摘要：現有的基于圖神經網絡的半監督學習方法(如圖卷積網絡)不能學習一般的鄰域混合關系。為了解決這個缺點，我們提出了一個新的模型，MixHop，它可以通過在不同距離重復混合鄰居的特征表示來學習這些關系，包括不同的操作符。MixHop不需要額外的內存或計算復雜度，并且在一些具有挑戰性的baseline上性能更好。此外，我們建議使用稀疏正則化，使我們能夠可視化網絡如何跨不同的圖數據集對鄰居信息進行優先級排序。我們對所學體系結構的分析表明，每個數據集的鄰域混合是不同的。

網址：//proceedings.mlr.press/v97/abu-el-haija19a.html

代碼鏈接：

2、Compositional Fairness Constraints for Graph Embeddings（圖嵌入的組合公平性約束）

作者：Avishek Bose, William Hamilton

摘要：學習高質量的節點嵌入是基于圖數據(如社交網絡和推薦系統)的機器學習模型的關鍵步驟。然而，現有的圖嵌入技術無法處理公平約束，例如，確保所學習的表示與某些屬性(如年齡或性別)不相關。在這里，我們引入一個對抗框架來對圖嵌入實施公平性約束。我們的方法是組合的，這意味著它可以靈活地適應推理過程中公平約束的不同組合。例如，在社會推薦的上下文中，我們的框架允許一個用戶要求他們的推薦對他們的年齡和性別都是不變的，同時也允許另一個用戶只對他們的年齡要求不變。在標準知識圖和推薦系統基準測試上的實驗突出了我們提出的框架的實用性。

網址：

代碼鏈接：

3、Learning Discrete Structures for Graph Neural Networks（學習圖神經網絡的離散結構）

作者：Luca Franceschi, Mathias Niepert, Massimiliano Pontil, Xiao He

摘要：圖神經網絡(GNNs)是一種流行的機器學習模型，已成功地應用于一系列問題。它們的主要優勢在于能夠顯式地合并數據點之間的稀疏和離散依賴結構。不幸的是，只有在這種圖結構可用時才能使用GNN。然而，在實踐中，真實世界中的圖常常是嘈雜的、不完整的，或者根本就不可用。在此基礎上，我們提出通過近似求解一個學習圖邊緣離散概率分布的雙層程序來共同學習圖卷積網絡(GCNs)的圖結構和參數。這不僅允許在給定圖不完整或損壞的場景中應用GCNs，還允許在圖不可用的場景中應用GCNs。我們進行了一系列的實驗，分析了該方法的行為，并證明了它比相關的方法有顯著的優勢。

網址：

代碼鏈接：

4、Graph U-Nets

作者：Hongyang Gao, Shuiwang Ji

摘要：我們研究了圖數據的表示學習問題。卷積神經網絡可以很自然地對圖像進行操作，但在處理圖數據方面存在很大的挑戰。由于圖像是二維網格上節點圖的特殊情況，圖的嵌入任務與圖像的分割等像素級預測任務具有天然的對應關系。雖然像U-Nets這樣的編解碼器結構已經成功地應用于許多圖像的像素級預測任務，但是類似的方法在圖數據上還是很缺乏。這是由于池化操作和上采樣操作對圖數據不是自然的。為了解決這些挑戰，我們提出了新的圖池化(gPool)和反池化(gUnpool)操作。gPool層根據節點在可訓練投影向量上的標量投影值，自適應地選擇節點，形成較小的圖。我們進一步提出了gUnpool層作為gPool層的逆操作。gUnpool層使用在相應gPool層中選擇的節點位置信息將圖恢復到其原始結構。基于我們提出的gPool和gUnpool層，我們開發了一個基于圖的編解碼器模型，稱為Graph U-Nets。我們在節點分類和圖分類任務上的實驗結果表明，我們的方法比以前的模型具有更好的性能。

網址：

代碼鏈接：

5、Graph Neural Network for Music Score Data and Modeling Expressive Piano Performance（圖神經網絡用于樂譜數據和鋼琴演奏表現力的建模）

作者：Dasaem Jeong, Taegyun Kwon, Yoojin Kim, Juhan Nam

摘要：樂譜通常被處理為一維序列數據。與文本文檔中的單詞不同，樂譜中的音符可以由復調性質同時演奏，并且每個音符都有自己的持續時間。在本文中，我們使用圖神經網絡表示樂譜的獨特形式，并將其應用于從樂譜中渲染表現力的鋼琴演奏。具體地，我們設計了使用note-level門控圖神經網絡和采用迭代反饋方法的雙向LSTM測量級層次注意網絡的模型。此外，為了對給定輸入分數的不同性能風格建模，我們使用了一個變分自編碼器。聽力測試結果表明，與baseline模型和層次注意網絡模型相比，我們提出的模型生成了更多的類人性能，而層次注意網絡模型將音樂得分處理為類詞序列。

網址：

代碼鏈接：

6、Graph Matching Networks for Learning the Similarity of Graph Structured Objects（用于學習圖結構物體相似性的圖匹配網絡）

作者：Yujia Li, Chenjie Gu, Thomas Dullien, Oriol Vinyals, Pushmeet Kohli

摘要：本文針對圖結構物體的檢索與匹配這一具有挑戰性的問題，做了兩個關鍵的貢獻。首先，我們演示了如何訓練圖神經網絡(GNN)在向量空間中嵌入圖，從而實現高效的相似性推理。其次，提出了一種新的圖匹配網絡模型，該模型以一對圖作為輸入，通過一種新的基于注意力的交叉圖匹配機制，對圖對進行聯合推理，計算出圖對之間的相似度評分。我們證明了我們的模型在不同領域的有效性，包括具有挑戰性的基于控制流圖的功能相似性搜索問題，該問題在軟件系統漏洞檢測中發揮著重要作用。實驗分析表明，我們的模型不僅能夠在相似性學習的背景下利用結構，而且它們還比那些為這些問題精心手工設計的領域特定baseline系統表現得更好。

網址：

7、Disentangled Graph Convolutional Networks（Disentangled圖卷積網絡）

作者：Jianxin Ma, Peng Cui, Kun Kuang, Xin Wang, Wenwu Zhu

摘要：真實世界圖形的形成通常來自于許多潛在因素之間高度復雜的交互作用。現有的基于圖結構數據的深度學習方法忽略了潛在因素的糾纏，使得學習表示不魯棒，難以解釋。然而，在圖神經網絡的研究中，如何將潛在因素分解出來的學習表示方法面臨著巨大的挑戰，并且在很大程度上還沒有得到探索。本文引入解糾纏（Disentangled）圖卷積網絡(DisenGCN)來學習disentangled節點表示。特別地，我們提出了一種新的鄰域路由機制，它能夠動態地識別可能導致節點與其相鄰節點之間產生邊的潛在因素，并相應地將相鄰節點分配到一個提取和卷積特定于該因素的特性的信道。從理論上證明了該路由機制的收斂性。實驗結果表明，我們提出的模型可以獲得顯著的性能提升，特別是當數據表明存在許多糾纏因素時。

網址：

8、GMNN: Graph Markov Neural Networks（GMNN: 圖馬爾可夫神經網絡）

作者：Meng Qu, Yoshua Bengio, Jian Tang

摘要：本文研究關系數據中的半監督對象分類問題，這是關系數據建模中的一個基本問題。在統計關系學習(如關系馬爾可夫網絡)和圖神經網絡(如圖卷積網絡)的文獻中，這一問題得到了廣泛的研究。統計關系學習方法可以通過條件隨機場對對象標簽的依賴關系進行有效的建模，用于集體分類，而圖神經網絡則通過端到端訓練學習有效的對象表示來分類。在本文中，我們提出了一種集兩種方法優點于一體的Graph Markov Neural Networks (GMNN)。GMNN利用條件隨機場對目標標簽的聯合分布進行建模，利用變分EM算法對其進行有效訓練。在E-step中，一個圖神經網絡學習有效的對象表示，逼近對象標簽的后驗分布。在M-step中，利用另一個圖神經網絡對局部標簽依賴關系進行建模。在對象分類、鏈路分類和無監督節點表示學習等方面的實驗表明，GMNN取得了較好的效果。

網址：

代碼鏈接：

9、Simplifying Graph Convolutional Networks（簡化圖卷積網絡）

作者：Felix Wu, Amauri Souza, Tianyi Zhang, Christopher Fifty, Tao Yu, Kilian Weinberger

摘要：圖卷積網絡(GCNs)及其變體得到了廣泛的關注，已成為學習圖表示的實際方法。GCNs的靈感主要來自最近的深度學習方法，因此可能會繼承不必要的復雜性和冗余計算。在本文中，我們通過連續消除非線性和折疊連續層之間的權重矩陣來減少這種額外的復雜性。我們從理論上分析了得到的線性模型，結果表明它對應于一個固定的低通濾波器，然后是一個線性分類器。值得注意的是，我們的實驗評估表明，這些簡化不會對許多下游應用程序的準確性產生負面影響。此外，生成的模型可以擴展到更大的數據集，這是自然可解釋的，并且比FastGCN的速度提高了兩個數量級。

網址：

代碼鏈接：

10、Position-aware Graph Neural Networks（位置感知圖神經網絡）

作者：Jiaxuan You, Rex Ying, Jure Leskovec

摘要：學習節點嵌入，捕捉節點在更廣泛的圖結構中的位置，對于圖上的許多預測任務是至關重要的。然而，現有的圖神經網絡(GNN)結構在獲取給定節點相對于圖中所有其他節點的position/location方面的能力有限。本文提出了一種計算位置感知節點嵌入的新型神經網絡—Position-aware Graph Neural Networks (P-GNNs)。P-GNN首先對錨節點集進行采樣，計算給定目標節點到每個錨集的距離，然后學習錨集上的非線性距離加權聚集方案。通過這種方式，P-GNNs可以捕獲節點相對于錨節點的位置。P-GNN有幾個優點: 它們具有歸納性，可擴展性，并且可以包含節點特征信息。我們將P-GNNs應用于多個預測任務，包括鏈路預測和社區檢測。我們顯示，P-GNNs始終優于最先進的GNNs, 在ROC AUC分數方面提高了66％。

網址：

代碼鏈接：

論文下載

百度云鏈接：

提取碼：vcc3