【蚂蚁金服】分布式图神经知识表示框架

由蚂蚁集团算法工程师胡斌斌、高级算法专家张志强、资深算法专家周俊和北京邮电大学教授石川联合撰写的《KGNN：Distributed Framework for Graph Neural Knowledge Representation》顺利入选ICML2020 workshop(Bridge Between Perception and Reasoning: Graph Neural Networks & Beyond)，该workshop由知名学者唐建、蚂蚁集团研究员宋乐、斯坦福大学终身教授Jure Leskovec联合举办，并邀请了人工智能奠基者之一的Yoshua Bengio进行了keynote报告，该workshop旨在将不同领域(如深度学习、逻辑/符号推理、统计关系学习和图算法等)的研究人员聚集起来讨论系统和系统智能之间的潜在接口和集成，探索理论基础、模型和算法方面的新进展，沉淀新基准数据集和有影响力的应用。以下为该论文的解读。

知识表示学习主要用于将知识图(KG)融入各种在线服务中以提升各个应用的性能。现有的知识表示学习方法虽然在性能上有了很大的提高，但它们忽略了高阶结构和丰富的属性信息，导致在语义丰富的知识图谱上性能不佳。另外，这些方法不能进行归纳式的预测，也不能适用于大型工业图。

为了解决这些问题，我们开发了一个新的框架KGNN在分布式学习系统中来充分利用知识数据进行表示学习。KGNN配置了基于GNN的编码器和知识感知的解码器，目的是以细粒度的方式将高阶结构和属性信息结合在一起，并保留知识图谱中的关系模式。我们在三个数据集上进行了链接预测和三元组的分类实验，验证了该框架的有效性和可扩展性。

https://logicalreasoninggnn.github.io/papers/11.pdf

专知便捷查看

便捷下载，请关注专知公众号（点击上方蓝色专知关注）

• 后台回复“KGNN” 可以获取《分布式图神经知识表示框架》资料专知下载链接索引

专 · 知

专知，专业可信的人工智能知识分发，让认知协作更快更好！欢迎注册登录专知www.zhuanzhi.ai，获取5000+AI主题干货知识资料！

欢迎微信扫一扫加入专知人工智能知识星球群，获取最新AI专业干货知识教程视频资料和与专家交流咨询！

点击“阅读原文”，了解使用专知，查看5000+AI主题知识资料