1-Interoduction-word-vectors
1 Introduction and Word Vectors
02-prop-of-graph-and-rand-model
Properities of networks, Random Graph Model
在下面所提到的图默认是无向图。介绍了graph的四种属性
01-intro-graph
Introduction of graphs
Introduction
为什么network/graph很重要？
Networks are a general language for describing complex systems of interacting entities
当我们谈论network的时候，经常讨论两种图：
- Natural graph：对于现实事物的直接描述，例如社交网络、大脑神经元的链接网络等
- Information graph：经过处理之后，带有信息的图，例如链接知识的图等
MAGNN
MAGNN: Metapath Aggregated Graph Neural Network for Heterogeneous Graph Embedding
看一下整体结构：
KGE-Collection
Collection of KGE Papers Volume 1
Collection of KGE papers, volume 1.
Now it contains models of:
- HoLE (AAAI 2016)
- TACT(AAAI 2021)
- TransF(ICPR 2018)
- TransCoRe(JCST 2018)
- Interpreting-KGE(ICLR 2021)
- TuckER(EMNLP 2019)
- MLP for KGE(KDD 2014)
- TransH(AAAI 2014)
- TransA(arXiv 2015)
- TransR(AAAI 2015)
- TransD(IJNLP 2015)
- TransG(ACL 2016)
- CP for KGE(ICML 2018)
- SimplE(NIPS 2018)
- Complex(ICML 2016)
- REInceptionE(AAAI 2020)
- R-MeN(ACL 2020)
- HypER(ICANN 2019)
- RSN(ICML 2019)
- NSCaching(ICDE 2019)
Re-eval-KGC
A Re-evaluation of Knowledge Graph Completion Methods
2019-11-10 ACL 2020
重新发现目前的KGC方法中存在的问题，提出了一个RANDOM的评估策略。
SEEK
SEEK: Segmented Embedding of Knowledge Graphs
ACL 2020
虽然目前对于KGE的研究已经很多了，但是目前的方法都存在一个问题，简单的方法模型的表达能力不够；复杂的方法参数多，复杂性高，难以应用与实际的大规模的知识图谱。
本文就考虑如何在不增加复杂度的情况下增加模型的表达能力：
- 增加特征之间的交互
- 保存关系的属性——对称性与不对称性
- 设计有效的得分函数
核心方法是将实体和关系的embedding拆分为k个segment。
KGAT
KGAT: Knowledge Graph Attention Network for Recommendation
在结合了知识图谱之后，就形成了一个关系更加丰富的graph neural network，使用GNN的方法来进行最后的预测。这篇论文就是在结合了知识图谱的基础上使用作者之前(2019)发表的neural graph collaborative filtering(ngcf)算法。理解了ngcf这篇论文就很好理解。