图与推荐

代码在线跑，知识轻松学

Python精品学习库

自行/邀约他人一键搬运博客，速成社区影响力并领取好礼

博客搬家 | 分享价值百万资源包

往期视频·干货材料·成员作品 最新动态

技术创作特训营·精选知识专栏

新邀入驻腾讯云开发者社区，福利多多！

如何运用「云、端融合的数智化安全体系」高效护航数据安全

左手AI，右手安全 —— 一汽丰田数字化转型之路

近年来，有学者提出一种基于编码树的图结构信息度量，即结构熵，用于发现图中嵌入的自然层次结构。结构熵在生物数据挖掘、信息安全、图神经网络等领域得到了广泛的应用。

北航彭浩团队 |  动态图结构熵的高效增量计算

本文来自小红书和中科大, 首次尝试了将LLM应用到笔记推荐(Note Recommendation)中. 更具体的,

小红书&中科大 | LLM在笔记推荐中的首次落地

大型语言模型（LLMs）已经彻底改变了自然语言处理任务，而其与图神经网络（GNN上）之间又会擦出怎样的火花呢？本文汇总了20篇与图大模型相关的论文（主要以推荐系统领域为主），展示最新的工作研究进展。

论文合集 | 图大模型推荐研究

	自COVID-19疫情爆发以来，基于图神经网络（Graph Neural Networks, GNNs）的流行病学建模研究得到了广泛的关注。传统机理模型在数学上描述了传染病的传播机制，但在应对当前复杂多变的流行病学挑战时常显不足。得益于对复杂网络的捕捉能力，GNNs逐渐成为流行病学研究中的重要工具。

​万字综述 | 图神经网络在时间序列中的应用：预测、分类、填补和异常检测

作者：Xu Zheng1∗, Farhad Shirani1∗, Tianchun Wang2, Wei Cheng3, Zhuomin Chen1, Haifeng Chen3,Hua Wei4, Dongsheng Luo1

[ICLR 24] 如何可靠地评估可解释的图神经网络?

图结构数据在多个领域展现了其普遍性和广泛的适用性，例如社交网络分析、生物化学、金融欺诈检测以及网络安全等。在利用图神经网络（Graph Neural Networks, GNNs）在这些领域取得显著成功方面，已经取得了重要进展。然而，在现实世界场景中，模型的训练环境往往远非理想，由于包括数据分布的不平衡、错误数据中噪声的存在、敏感信息的隐私保护以及对于分布外（Out-of-Distribution, OOD）场景的泛化能力等多种不利因素，导致GNN模型的性能大幅下降。为了解决这些问题，已经投入了大量努力来改进GNN模型在实际现实世界场景中的性能，以及提高它们的可靠性和鲁棒性。在本文中，我们提出了一份全面的综述，系统性地回顾了现有的GNN模型，着重于解决四个提及的现实世界挑战，包括在许多现有综述未考虑的实际场景中的不平衡、噪声、隐私和OOD问题。具体来说，我们首先强调现有GNN面临的四大关键挑战，为我们探索现实世界的GNN模型铺平道路。随后，我们提供了这四个方面的详细讨论，分析这些解决方案如何有助于提高GNN模型的可靠性和鲁棒性。最后但同样重要的是，我们概述了有前景的方向，并在该领域提供了未来的视角。

ICLR'24 | VQGraph: 重新审视图表示学习，将Graph空间Token化

几何图是一种具有几何特征的特殊图形，对于建模许多科学问题至关重要。与通用图不同，几何图通常展现出物理对称性，如平移、旋转和反射，使得现有的图神经网络（GNNs）处理它们时效率不高。为了解决这个问题，研究人员提出了多种具有不变性/等变性属性的几何图神经网络，以更好地表征几何图的几何性和拓扑结构。鉴于该领域当前的进展，进行一项关于几何GNNs的数据结构、模型和应用的全面综述是必要的。在本文中，基于必要但简洁的数学预备知识，我们提供了一个从几何消息传递角度对现有模型的统一视角。此外，我们总结了应用及相关数据集，以便于后续研究方法开发和实验评估的研究。我们还在这篇综述的最后讨论了几何GNNs的挑战和未来潜在发展方向。

24年最新综述 | 几何图神经网络

在该综述中，作者重点分析了近三年（2020-2023）超过300篇文章，聚焦于两个主要方向：一是知识图谱驱动的多模态学习（KG4MM），探讨知识图谱如何支持多模态任务；二是多模态知识图谱（MM4KG），研究如何将知识图谱扩展到多模态知识图谱领域。作者从定义KGs和MMKGs的基本概念入手，继而探讨它们的构建和演化，涵盖知识图谱感知的多模态学习任务（如图像分类、视觉问答）及固有的MMKG构建内部任务（如多模态知识图谱补全、实体对齐）。本文还强调了研究重点，提供了任务定义、评估基准，并概述了基本见解。通过讨论当前面临的挑战和评估新兴研究趋势，如大型语言模型和多模态预训练策略的进展，本调研旨在为KG与多模态学习领域的研究人员提供一个全面的参考框架，以及对该领域不断演进的洞察，从而支持未来的工作。

2024 最新综述 | 当知识图谱遇上多模态学习

大规模图的分析对计算效率和资源需求提出了重大挑战。最近，图缩合(Graph Condensation)作为一种解决方案出现，以解决图数据量不断增加所带来的挑战。GC的动机是将大图的规模缩小到较小的图，同时为下游任务保留必要的信息。为了更好地理解GC并将其与其他相关主题区分开来，浙江大学与伦斯勒理工大学联合发布了该领域的权威综述

最新综述| A Survey on Graph Condensation 如何有效将大图压缩为小图?

  今天给大家分享的是国防科技大学刘新旺老师团队发表在IEEE TRANSACTIONS ON NEURAL NETWORKS AND LEARNING SYSTEMS的论文"Simple Contrastive Graph Clustering"。论文提出了一种简单高效的图对比学习聚类方法SCGC，SCGC十分轻量，并且和一般的深度图聚类相比，不需要花大量时间去预训练。文章提出了一种新的对比学习数据增强方法，设计了一种新颖的基于邻居节点的对比loss。

TNNLS'23 | 简单高效的图对比学习聚类

本文主要介绍我们在图异常检测方向的工作PhoGAD: Graph-based Anomaly Behavior Detection with Persistent Homology Optimization，工作已被WSDM 2024接收。网络攻击、垃圾邮件等一系列异常网络行为干扰了正常的网络使用。由于网络行为天然地拥有发起者和接收者，因此基于图的方法常被用以检测异常行为。然而，真实世界应用环境中，正常行为和异常行为之间的界限并不清晰，图的局部异配性干扰了检测，使得现有基于节点或边的检测方法会对表征结果引入噪声，影响检测效果。

WSDM'24 | 持续同调优化的图异常检测

      在大规模图数据集上进行GNN训练是一个艰巨的挑战。特别是在增量学习和图结构搜索这些经常需要重复训练的场景中，训练图模型不仅消耗大量时间，还对显存和计算能力提出了严峻要求。最近，图数据集蒸馏/图压缩(Graph Dataset Distillation / Graph Condensation)方法引起了广泛关注，它旨在将庞大的原始图数据蒸馏至一个极小规模且信息丰富的生成图，使得在此生成图上的训练模型能够以极低的代价获得与原图相近的性能。

NeurIPS'23 | 图数据蒸馏 v.s. 图像数据蒸馏,

 今天给大家介绍的是美国伊利诺伊大学及字节跳动发表在ICML的一篇文章：DECOMPDIFF: Diffusion Models with Decomposed Priors for Structure-Based Drug Design。设计针对靶向结合位点的3D药物分子是药物发现中的基本任务。现有的基于结构的药物设计方法平等对待所有配体原子，忽视了配体原子在药物设计中的不同作用，对于探索庞大的药物样分子空间可能效率较低。本文受制药实践的启发，将配体分子分解为两部分，即臂和支架，并提出了一种新的扩散模型 DECOMPDIFF，其对臂和支架采用了分解的先验。为了促进分解生成并改善所生成分子的性质，作者在模型中同时结合了键扩散和采样阶段的有效性指导

ICML 2023 | DECOMPDIFF：解义先验的扩散模型进行基于结构药物设计

链接: https://ieeexplore.ieee.org/document/10184514

最新综述 | GNN如何处理表格？

论文地址：https://arxiv.org/pdf/2312.17617.pdf

综述：LLM驱动的生成式信息抽取

图神经网络（GNNs）已经成为捕捉复杂依赖关系的强大表示学习工具，在多样化的图结构数据中表现出色。尽管在广泛的图挖掘任务中取得了成功，但GNNs也引起了关于其可信度的严重担忧，包括对分布变化的敏感性、对特定人群的偏见，以及缺乏可解释性。最近，将因果学习技术融入GNNs激发了许多开创性的研究，因为大多数可信度问题可以通过捕捉数据的底层因果性而非表面相关性来缓解。在这篇综述中，我们提供了对受因果性启发的GNNs最新研究努力的全面回顾。具体来说，我们首先通过因果性的视角介绍现有GNN模型的关键可信风险。此外，我们基于它们所配备的因果学习能力类型，即因果推理和因果表示学习，介绍了受因果性启发的GNNs（CIGNNs）的分类。除此之外，我们系统地讨论了每个类别中的典型方法，并展示了它们如何减轻可信风险。最后，我们总结了有用的资源，并讨论了几个未来的方向，希望能为这一新兴领域的新研究机会提供启示。

GNN有因果性么？看这篇综述论文

这篇文章提出了一种新的生成式检索推荐系统的范式TIGER。当前基于大规模检索模型的现代推荐系统，一般由两个阶段的流程实现：训练双编码器模型得到在同一空间中query和候选item的embedding，然后通过ANN搜索来检索出给定query的embedding的最优候选集。相比于当前主流的推荐系统，本文提出了一种新的单阶段范式：一种生成式检索模型。

谷歌出品 | TIGER:生成式检索推荐系统

长久以来，推荐任务被视为判别式任务（Learning to Classify）：给定用户的交互历史，基于判别式的传统推荐模型通过优化正样本（观察到的用户交互）和负样本（通常通过负采样得到）的判别边界，来实现推荐模型的训练。

【NeurIPS 2023】DreamRec：生成式推荐新范式

文章

问答

视频

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋 

腾讯云代码助手

CODING DevOps

Cloud Studio

SDK中心

API中心

命令行工具

腾讯云开发者社区推出了图与推荐专栏，为你提供了图与推荐的相关文章，致力于帮助开发者快速成长与发展。

图与推荐

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐