2-5 复杂认知图神经网络及其应用

1. 面向复杂图的图神经网络

1.1 GNN on Universal Networks—beyond topological limitations

• 问题: 不同结构特性的网络是否应采用不同的传播机制？
• 动机: 基于真实世界网络的观察，如社会网络、引用网络、蛋白质结构网络等，发现网络节点间的关系存在同质性（homophily）和异质性（heterophily）。
• 方法: 提出通用图卷积网络（Universal GCN），不仅考虑1跳邻居，还考虑2跳邻居和kNN，并采用多类型卷积机制和判别性聚合，自适应学习不同网络特性的重要性。
• 关键点:
  • 考虑2跳邻居时，选择通过至少两条不同路径连接的节点对。
  • 对kNN邻居，采用余弦值衡量相似度，并利用注意力机制进行判别性聚合。
• 相关工作: Block Modeling-Guided GCN, RAW-GNN。

1.2 GNN on Text-rich Networks

• 问题: 真实世界图通常富含文本信息，需要同时考虑拓扑结构和文本语义。
• 方法:
  • BiTe-GCN: 通过双向卷积融合拓扑和特征，并进行数据和方法层面的优化。
  • AS-GCN: 自适应语义架构，构建自然双向网络，并采用注意力机制进行特征融合。
• 关键点:
  • BiTe-GCN构建包含节点和实体的双向网络，进行联合卷积和数据/模型层面的优化。
  • AS-GCN构建包含商品和属性短语的双向网络，进行自适应语义架构设计。
• 相关工作: BiTe-GCN, AS-GCN。

1.3 GNN on Attribute Missing HINs

• 问题: 异构信息网络（HINs）中存在节点类型缺失和属性缺失问题。
• 方法: 提出基于属性补全的异构图神经网络（HGNN-AC），利用元路径导向的高阶拓扑信息作为先验知识，指导属性补全任务。
• 关键点:
  • 利用元路径作为先验知识，指导属性补全学习。
  • 将属性补全任务与学习目标相结合。
• 相关工作: Heterogeneous Graph Neural Network via Attribute Completion。

1.4 GNN on Higher-order Dependency Networks

• 方法: 提出图卷积网络与马尔可夫随机场（MRF）的结合方法，用于高阶依赖网络的分析。
• 关键点:
  • 结合GCN和MRF的优势，利用MRF的社区知识增强GCN。
  • 设计eMRF模型，将MRF推理过程转化为GCN的卷积层。
  • GCN和MRF联合训练，实现端到端的社区检测。
• 相关工作: Graph Convolutional Networks Meet Markov Random Fields, GMNN, Conditional Random Field Enhanced Graph Convolutional Neural Networks。

2. 认知图神经网络

• 核心观点: 结合多种模型和方法，如GCN、MRF、注意力机制、元路径等，解决复杂网络中的各种问题，如社区检测、属性补全、文本信息融合等。
• 关键数据:
  • BiTe-GCN构建包含6.5M个查询和50M个商品的E-commerce网络。
  • HGNN-AC处理DBLP和IMDB网络，包含多种节点类型和边类型。
• 研究结论:
  • 通用图卷积网络可以有效处理不同结构特性的网络。
  • 结合文本信息和拓扑结构的图神经网络可以提升文本丰富网络的表示能力。
  • 基于属性补全的异构图神经网络可以有效处理属性缺失的HINs。
  • 结合GCN和MRF的图神经网络可以有效进行社区检测。
• 发表成果: 多篇顶级会议和期刊论文，如NeurIPS, IJCAI, AAAI, WWW, TKDE等。