Machine Learning with Graphs:Part1

Machine Learning with Graphs:Part1

Survey: 图嵌入和广义图网络

Hamilton et al (2017)'s "Representation Learning on Graphs: Methods and Applications"
https://arxiv.org/abs/1709.05584
摘要：图机器学习是重要且通用的任务。主要挑战是发现表示和编码图结构的途径，以便机器学习
模型易于利用图结构。近年来出现一些方法，自动学习编码图结构为低维度嵌入，使用的技术基于深度
学习和非线性降维。
我们提供了图表示学习领域的关键进展的概念视图，包括基于矩阵分解的方法，基于随机游走的算法，
以及图神经网络。我们评论了从嵌入单个节点到嵌入整个/子图的方法。我们发展了统一框架框架描述
这些进展，强调了许多重要应用和未来的方向。
https://blog.csdn.net/qq_34807908/article/details/86660246
https://blog.csdn.net/weixin_41624708/article/details/115064154
Graph Embedding Techniques, Applications, and Performance: A Survey，2017
https://arxiv.org/abs/1705.02801
https://blog.csdn.net/weixin_41624708/article/details/114656997

Battaglia et al (2018)'s "Relational inductive biases, deep learning, and graph networks"
广义图网络
https://blog.csdn.net/wen_fei/article/details/90511684
https://www.pianshen.com/article/2241127219/
Kriege et al (2019)'s "A Survey on Graph Kernels"

KG:   关系嵌入和推理应用
Translating Embeddings for Modeling Multi-relational Data, TransE, NIPS,2013
多元实体关系嵌入低维向量，实体关系编码
https://blog.csdn.net/u012052268/article/details/79045477
https://blog.csdn.net/strivequeen/article/details/108172417

Trouillon et al (2016)'s "Complex Embeddings for Simple Link Prediction"
链接预测问题的复杂嵌入
https://zhuanlan.zhihu.com/p/107914673
https://blog.csdn.net/tgqdt3ggamdkhaslzv/article/details/79081541

Yang et al (2014)'s "Embedding Entities and Relations for Learning and Inference in Knowledge Bases"
目前很多研究工作致力于大型知识图谱上的关系学习，其中张量分解以及神经网络embedding方法是其中
重要的两种方法。这些表示学习的方法可以应用到知识图谱的推理任务上，用于发现一些没有在知识库中
的事实。本文主要考虑的是基于神经网络的embedding 的方法，在过去的研究工作中，典型的方法有
TransE、NTN（neural tensor network）等, 这些方法的区别在于实体以及关系的表示方法。
https://blog.csdn.net/damuge2/article/details/87990277
https://www.pianshen.com/article/1998258766/

Sun et al (2019)'s "RotatE: Knowledge Graph Embedding by Relational Rotation in Complex Space"
提出了一种新的知识图谱嵌入方法称为 RotatE，它能够建模和推断各种关系模式。
https://blog.csdn.net/qq_44015059/article/details/109412787
https://zhuanlan.zhihu.com/p/104816316
https://blog.csdn.net/qq_41146971/article/details/114279984

Nickel et al (2015)'s "A Review of Relational Machine Learning for Knowledge Graphs"
统计关系学习（Statistical Relational Learning，SRL），SRL的主要目标
包括预测缺失的边（也即关系），预测节点属性以及根据连通性模式对节点进行聚类。
讨论SRL相关和将其应用到KB的方法。
https://blog.csdn.net/Catherine863/article/details/79353523
https://zhuanlan.zhihu.com/p/39719481

 

 

 

 

Ref:

Machine Learning with Graphs
http://web.stanford.edu/class/cs224w/index.html#schedule
COMP 766 - Graph Representation Learning
https://cs.mcgill.ca/~wlh/comp766/schedule.html

GNN的一些总结
https://blog.csdn.net/lj2048/article/details/105849927

经典图算法
https://blog.csdn.net/u010710458/article/details/78528896
图算法领域10大经典算法
https://blog.csdn.net/iteye_2060/article/details/82006675