COMPOSITION-BASED MULTI-RELATIONAL GRAPH CONVOLUTIONAL NETWORKS

1 INTRODUCTION

原来的CNN, RNN等方法不能直接应用到graph上，因此最近GCN被提出来了。

但是初始的GCN方法主要集中与无向图，最近的针对有向图的方法类如R-GCN，存在over-parameterization问题。

there is a need for a framework which can utilize KG embedding techniques for learning task-specific node and relation embeddings.

COMPGCN addresses the shortcomings of previously proposed GCN models by jointly learning vector representations for both nodes and relations in the graph

Knowledge Graphs

Introduction of Knowledge Graphs.

Introduction to Graph Neural Networks

Note of book 《Introduction to Graph Neural Networks》

SEMI-SUPERVISED CLASSIFICATION WITH G RAPH CONVOLUTIONAL NETWORKS

ICLR 2017

贡献：提出了一种模拟卷积神经网络的变种，直接在图结构上进行类似的卷积操作的神经网络。通过对谱卷积神经网络（Spectral GNN）进行一阶估计简化（first-order approximation），提出了一阶图卷积神经网络——GCN。

Neural Message Passing for Quantum Chemistry

ICML 2017

Google Brain, Google DeepMind

本文就提出了一种图上进行监督学习的泛化框架Message Passing Neural Networks (MPNNs)

Inductive Representation Learning on Large Graphs

NIPS 2017 GraphSAGE

主要贡献：

• 提出了一种inductive学习图结构的方法，使用节点的特征（文本、度等）作为输入，进行无监督学习
• 构造了三个节点分类（node classification）的数据集

Heterogeneous Graph Attention Network

2019-4-13

1 INTRODUCTION

HAN设计了两个层次的attention机制，

• Semantic-level attention：在不同的meta-path中选择weight
• Node-level attention：对于一个节点，它的邻居的weight

AM-GCN: Adaptive Multi-channel Graph Convolutional Networks

2020-8 KDD 2020

AM-GCN主要针对的是节点分类任务，主要贡献包括两点：

1. 探究了之前的GCN方法是否能够较好的同时捕获topological structures和node features
2. 设计了 a novel adaptive multi-channel GCN framework, 能够适应的同时捕获两种不同的信息

Heterogeneous Graph Transformer

本文的贡献主要有三点：

1. 针对异质图设计了Heterogeneous Graph Transformer，HGT，用于处理Web-scale的异质网络。
2. 为了能够训练大规模图，提出了HGSampling采样方法，在Open Academic Graph (OAG)上进行了验证。
3. 针对动态异质图，引入relative temporal encoding，能够处理任意的动态信息