&lt GENI 论文笔记&gt

本文目录导航：

• <论文笔记>GENI-节点关键性评价模型（KDD2019）
• 图立方和常识图谱的区别和咨询
• 什么是图谱

<论文笔记>GENI-节点关键性评价模型（KDD2019）

论文笔记：GENI-节点关键性评价模型（KDD2019）：深度洞察与改良

在常识图谱（KG）的钻研畛域，现有的节点关键性评价方法往往面临消息应用不充沛和模型灵敏性无余的应战。

GENI模型的产生正是为了改造这一现状，它仰仗Graph Neural Networks（GNN）的弱小才干，提出了一种陈腐的节点关键性评价框架。

与现有方法相比，GENI模型在NDCG@100上成功了清楚的优化，优化了5%至17%的性能。

1. 常识图谱关键性的意义

在宏大的常识图谱中，有效地评价节点的关键性至关关键，它能协助系统更正当地调配资源。

节点的关键性评分可以反映其在图中的影响力，如Wikipedia页面的阅读量，这为优化KG资源治理提供了关键依据。

2. 处置打算：GENI模型

GENI模型的外围是经过Predicate-Aware Attention Mechanism和灵敏的中心化调整，而非单纯的节点嵌入融合。

它思考到邻域结构（相邻节点的交互和共享特色）、节点类型（predicates）、中心性、输入分数以及模型的灵敏性。

打分聚合网络摒弃了传统的embedding聚合，直接处置节点的关键性分数，缩小参数累赘。

2.3. 关键组件

打分聚合网络驳回权重可学习的聚合战略，将节点i的得分与其一阶街坊的得分相联合，构成更准确的节点示意。

而Predicate-Aware Attention Mechanism则依据节点间相关的predicates灵活调整留意力权重，确保模型能处置不同相关类型的节点对关键性的影响。

Centrality Adjustment引入了灵敏性，经过调整节点的中心性得分，以平衡模型预测与输入关键性得分的差异，确保模型的预测更具针对性。

3. 结构与试验

GENI模型的结构设计奇妙，经过自留意力机制裁减多层结构，准许模型更好地融合更多街坊消息。

经常使用可变数量的留意力头，优化了模型的性能和稳固性。

试验局部，驳回了多个威望数据集，并经常使用NDCG和Spearman等多维度评价目的，验证了GENI模型的优越性能。

总结来说，GENI模型的翻新性体如今其对常识图谱内消息的深度开掘和模型设计的灵敏性，为节点关键性评价提供了一种弱小且高效的新方法。

经过试验证实，它在优化性能的同时，也为常识图谱的资源治理和剖析提供了有力支持。

图立方和常识图谱的区别和咨询

二、异同点① 二者都是由节点和边组成的图。

然而图网络中的实体都是主观存在的，是对实在环球相关的一种出现；常识图谱关键是把主观环球潜在的常识结构出现进去，实体可以是形象的名词。

② 二者都是异质消息网络，然而义务不同。

KG是一种常识量丰盛的异质消息网络（Heterogeneous Information Network， HIN），它更关注建模成功对相关、节点的示意，模型学习的重点是节点之间的相关，以更好地存储、抽取、推理常识。

NG建模义务更关注节点的示意，模型学习的重点是图网络的结构，以到达对节点分类、聚类、链接预测的目的。

三、图网络示意学习(Graph Embedding) VS 常识图谱示意学习(Knowledge Graph Embedding)也可以称图嵌退学习，分为图网络嵌入graph embedding以及常识图谱嵌入knowledge graph embedding。

历来源看，这两个义务中最火的方法DeepWalk和TransE，都是遭到了word2vec启示提进去的，只是前者是遭到了word2vec处置文本序列、由中心词预测高低文的启示；然后者遭到了word2vec能智能发现implicit relation (也就是大家常说的 king - man = queen - woman)的启示。

两者的相反之处是目的分歧，都旨在对钻研对象建设散布式示意。

不同之处在于，常识示意重在如何处置实体间的显式相翻开；而网络示意重在如何充沛思考节点在网络中的复杂结构消息（如community等）。

1）学习目的不同网络示意比拟器重在嵌入式空间中保管网络的拓扑结构消息，常识图谱的示意在保管结构消息的基础上，也雷同器重于相关的关键性，以及它们的头尾相关。

常识图谱示意学习更倾向相关建模，在保管结构消息的基础上强调相关和头尾相关，强调的是节点和相关的示意，节点和相关雷同关键，因此，常识图谱示意学习中往往指明了相关，比如水果和猕猴桃之间是所属相关。

2）学习方法不同网络示意学习理论包含三种：基于矩阵合成的模型，比如SVD；基于随机游走的模型，比如DeepWalk；基于深度神经网络的模型，包含CNN、RNN等；此外还有同质网络、异质网络的辨别，还有属性网络、融合随同消息的网络等。

与此不同的是，典型的常识图谱示意算法包含trans系列的算法，如TransE、TransR、TransH等，经过这个三元组去描写实体和相关的向量示意。

抢首赞 评论 分享 投诉 收起为你介绍：特意介绍哪些方法可以最大水平优化上班效率？感化螨虫或者会形成什么重大结果？新冠无症状须要治疗吗？生存中有哪些「省钱存钱」小妙招？

什么是图谱

图谱是一种数据可视化工具。

图谱是一种经过图形和可视化模式展现复杂数据之间相关的工具。以下是对于图谱的具体解释：

1. 定义与配置：图谱关键是应用节点和连线来展理想体间的关联。

在各类钻研和运行中，当须要表白不共事物间的咨询或网络结构时，图谱是一种十分直观的模式。

它能够协助人们极速了解少量数据间的外在咨询，从而启动决策剖析。

2. 组成因素：图谱关键由节点和边组成。

节点理论代表特定的实体或概念，而边则示意这些实体或概念之间的相关。

这些相关可以是直接的，也可以是经过其余节点直接相连的。

经过图谱，可以明晰地看到不同实体间的关联水平和门路。

3. 运行畛域：图谱被宽泛运行于多个畛域。

在社会迷信中，它可以展现社会网络结构；在动物学中，它可以描述基因、蛋白质或其余分子间的相互作用；在消息技术畛域，图谱数据库被用来存储和查问复杂网络结构。

此外，随着互联网和大数据技术的开展，图谱在搜查引擎、介绍系统、常识图谱等方面也施展着越来越关键的作用。

4. 可视化出现：图谱的可视化出现模式多样，可以依据需求启动定制。

经过调整节点大小、色彩和状态，以及边的粗细、箭头指向等，可以直观地展现数据的不同特色和关键性。

这使得图谱成为数据剖析、决策支持等畛域中无法或缺的工具。

总之，图谱是一种弱小的数据可视化工具，它能够协助人们更好地理解和剖析复杂数据之间的相关，从而做出更理智的决策。