基于图神经网络的知识图谱研究进展( 五 )
本文插图
推荐系统
为了解决推荐系统中的稀疏性问题和冷启动问题 ， 一种可行的思路是将知识图谱作为外部信息整合到推荐系统中 ， 使推荐系统具有常识推理能力 。 研究者们基于图神经网络强大的聚合信息以及推理能力 ， 设计了基于图神经网络和知识图谱的推荐系统 ， 有效地提升了推荐命中率 。 此外 ， 图神经网络的信息传播与推理能力也为推荐结构提供了一定的可解释性 。
RippleNet[45]将知识图谱特征学习和推荐算法的目标函数结合 ， 使用端到端的方法进行联合学习 ， 从而将知识图谱作为额外信息融入至推荐系统 。 如图6(a)所示 ， 知识图谱卷积网络神经网络(Knowledge Graph Convolutional Network ， KGCN)[46]通过扩展知识图谱中每个实体的感受野 ， 捕捉用户的高阶个性化兴趣 ， 同时对商品之间的潜在联系建模 ， 从而提高推荐的准确性 。 如图6(b)所示 ， 知识图谱注意力网络(Knowledge Graph Attention Network ， KGAT)[47]进一步引入知识感知的注意力机制 ， 从融合知识图谱的用户–商品交互图中传播高阶链接路径的信息 。 Wang等人[48]提出了基于标签平滑正则的知识感知图神经网络(KGNN-LS) ， 首先将知识图谱转换为用户相关的带权图 ， 然后使用该图神经网络计算个性化的商品嵌入 ， 从而提升推荐效果 。
本文插图
计算机视觉
人类区别于现代计算机视觉算法的一个特征是获得知识并使用该知识推理视觉世界的能力 ， 从而可以通过很少的例子认知视觉世界[49] 。 研究者们考虑到图神经网络在学习节点和边的表示方面的优势 ， 应用了图神经网络来学习利用图像中的目标与知识图谱之间的关联关系 。
马连奴(Marino)等人[49]首先根据大规模图像数据集中的一些先验知识构建了一个知识图谱 ， 如图7(a)所示 ， 包括目标–属性和目标–目标之间的关系 ， 并基于该结构化的先验知识 ， 提出了图搜索神经网络(Graph Search Neural Network) ， 将先验知识引入图像分类从而提高分类效果 。 类似地 ， 如图7(b)所示 ， Wang等人[50]提出了图注意力机制来从图像中识别社交关系 ， 首先根据大规模图像数据集构建了一个描述社交关系和目标共现的知识图谱 ， 然后采用门控图神经网络(Gated Graph Neural Network ， GGNN)利用该知识图谱中的语义结构信息学习更准确的节点和关系表示 ， 从而提高了图像中社交关系识别的性能 。 Wang等人[51]则使用从知识图谱中学得的标签语义嵌入和标签间的关系 ， 将一种多层GCN训练为一个零样本图像分类器 。
本文插图
【基于图神经网络的知识图谱研究进展】
4 总结与展望
结合知识图谱和图神经网络的相关研究已经成为人工智能领域的一个热点方向 。 知识图谱可以为各类学习任务提供良好的先验知识 ， 图神经网络则可以更好地支持图数据的学习任务 。 但是 ， 目前基于图神经网络的知识图谱学习、计算与应用的研究都还相对较少 ， 未来仍有巨大的发展空间 ， 例如基于图神经网络的知识图谱自动构建、基于异质图神经网络的知识融合、基于元路径或图神经网络的知识图谱复杂推理、基于图神经网络的可解释性学习等 。
自动构建
当前的知识图谱高度依赖于人工构建 ， 构建特定领域的知识图谱又是企业应用里不可或缺的现实需求 。 在学习建模实体的时间信息和实体动力学方面 ， 已有一些基于传统深度学习的工作 ， 但通常无法将知识图谱作为一个整体对其动态性进行建模 。 因而 ， 利用最近的一些动态图神经网络的方法例如图时空网络 ， 同时建模并预测微观层面上的实体以及宏观层面上的图谱的变化规律 ， 是一个值得关注的方向 。
推荐阅读
- 体育知识科普|穿书自救指南：前三集预报已出，宣传还要粉丝催，背景有点粗拙？
- 知识百科|具荷拉财产分割审判推迟 哥哥与父母将三方会面
- 汽车知识|7月销量都很高，内饰设计也别出心裁，探岳/途观L各有各的优势
- 小飞人|这25个与大自然相关的冷知识 你或许都没有听说过
- 汽车知识|奔驰全新S级的内饰好看吗？不得不说优秀全靠同行衬托
- 汽车知识|2021款长安CS75PLUS上市 增加原子灰配色 提供蓝鲸两种动力
- 创新|《2020年全球创新指数报告》发布
- 指数债券|美债收益率曲线的陡平之辨：基于供需视角的分析
- 知识百科|是时候穿薄外套了！初秋穿这几款时髦又好看，赶快Pick起来
- #创新#全球创新哪家强？中国创新能力排名保持第14位