KS-GNN: Keywords Search over Incomplete Graphs via Graph Neural Network

[Switchsyj]

KS-GNN: Keywords Search over Incomplete Graphs via Graph Neural Network

问题设置：给定一个含有关键词以及关系的图网络，完成对于query的关键词检索。创新点在于从缺失信息的图（关键词缺失或者关键词+边信息缺失）中查找匹配度高的节点。

Motivation：以前的工作 (如BLINKS) 都需要在信息完整的图上进行关键词搜索。

解决的问题：降维同时尽可能不丢失很多信息，子图之间的Adaptive Learning，不同keywords的重要性（IDF）

信息

---

• 主要作者：Yu Hao, Xin Cao
• 单位：University of New South Wales, CUHK(SZ)
• 论文链接：KS-GNN

论文中学到什么新东西

---

• Con-OH向量稀疏，计算复杂度很高。Con-PCA利用矩阵分解$X_p=XU^T$获得基向量矩阵$U$，然后重构$X'=X_pU$，使得两个矩阵的差别最小。
• 做法：三个loss叠加损失信息：
  • decoder重构H的embedding信息（decoder可以保证embedding在基向量空间）：
• 比较$o_i$和$p_i$、$q_i$邻居节点的不同，采样策略，类似于取正负例Subgraph Node Similarity：
• 词频：
• 一个新的ranking metric (Hit@K)：在prediction中找到top-K中命中比例。

通过相关工作你了解了那方面的知识

---

• keywords search：图上的关键信息检索。按照一定的评价指标找到top-K的子图或者子树。

实验验证任务

---

• 引文网络Citeseer，共作网络DBLP，共同行为网路Toy，Video
• 关键词缺失或者关键词+边信息缺失。两个子任务。
• 调整r_w和r_e控制关键词和边的丢弃率。

在你认知范围内，哪些其它任务可以尝试

---

• 讨论结果：词共现是经典的NLP问题，那么NLP的方法怎么样？结果会有多少差别？

写的非常好的句子或者小段

---

暂时没有:cry:

Reference

---

1