图神经网络（一）

在文本、图像等非结构数据的学习中，提取结构的推理，如句子的依赖树和图像的场景图，是一个需要图推理模型的重要研究课题。图神经网络 (GNN) 是一种连接模型，它通过图的节点之间的消息传递来捕捉图的依赖关系。
与标准神经网络不同的是，图神经网络保留了一种状态，可以表示来自其邻域的具有任意深度的信息。图是一种数据结构，它为一组对象（节点）及其关系（边）建模。图分析作为一种用于机器学习的独特的非欧几里得数据结构，主要集中在节点分类、链接预测和聚类等方面。

1、图神经网络（GNN）

1.1 图
在计算机科学中，图是由顶点和边两部分组成的一种数据结构,顶点通常也被称为节点 (nodes)。图G可以通过顶点集合V和它包含的边E来进行描述:G=(V,E)。边可以是有向的或无向的，这取决于顶点之间是否存在方向依赖关系。

1.2 图神经网络
图神经网络是一种直接作用于图结构上的神经网络。GNN的一个典型应用是节点分类,本质上，图中的每个节点都与一个标签相关联，我们希望预测未标记节点的标签。它通过学习得到每个节点的d维向量（状态）表示为h_v，同时包含其相邻节点的信息。
详情请见博客：https://blog.csdn.net/u012325865/article/details/102466223

GNN是学习图的表示的模型，而图是一种用来刻画事物之间关联关系的数据结构。要讨论GNN在NLP里的应用，首先要思考哪里需要用到图。

第一个很直接用到的地方是知识图谱（knowledge graph, KG）。 KG里面节点是entity，边是一些特定的semantic relation，天然是一个图的结构，在NLP的很多任务中都被用到。早期就有很多在KG上学graph embedding然后做link prediction之类的工作（代表作TransE等），有GNN之后自然可以用来学KG上的embedding，做knowledge base completion[1][2]。然后利用KG可以帮助很多别的task，比如zero-shot learning[3]（虽然这不是一篇NLP paper），question answering[4]等等。另外一个方向是不依赖已有的KB直接从文本中构建entity的graph的，去学entity之间的relation、coreference等关系，有一些挺好的工作[5][6][7]。这个时候的GNN其实就是fully-connected graph上的self-attention，思想是一样的。拿建出来的graph可以再去做别的task比如generation[8][9]。

第二个地方是句法结构（dependency structure），虽然一般是树结构，但是还是可以用图的模型来处理，或者有的时候加一些边就变成了图。这种linguistic knowledge在很多地方大家会认为有帮助，比如关系抽取，从以前的Tree LSTM[10]到Graph LSTM[11]，也可以用GCN[12]；比如semantic role labeling[13][14]（后面这篇是EMNLP best paper，上面说的self-attention 就是fully-connected graph的GNN）；还有machine translation[15]。

[1]Modeling Relational Data with Graph Convolutional Networks https://link.springer.com/chapter/10.1007/978-3-319-93417-4_38
[2]One-Shot Relational Learning for Knowledge Graphs https://www.aclweb.org/anthology/D18-1223
[3]Zero-Shot Recognition via Semantic Embeddings and Knowledge Graphs http://openaccess.thecvf.com/content_cvpr_2018/html/Wang_Zero-Shot_Recognition_via_CVPR_2018_paper.html
[4]Open Domain Question Answering Using Early Fusion of Knowledge Bases and Text https://www.aclweb.org/anthology/D18-1455
[5]Multi-Task Identification of Entities, Relations, and Coreferencefor Scientific Knowledge Graph Construction http://ssli.ee.washington.edu/~luanyi/YiLuan_files/EMNLP2018_YL_sciIE.pdf
[6]A General Framework for Information Extraction using Dynamic Span Graphs https://arxiv.org/pdf/1904.03296.pdf
[7]Graph Neural Networks with Generated Parameters for Relation Extraction https://arxiv.org/pdf/1902.00756.pdf
[8]Text Generation from Knowledge Graphs with Graph Transformers https://arxiv.org/pdf/1904.02342.pdf
[9]Coherent Comment Generation for Chinese Articles with a Graph-to-Sequence Model https://arxiv.org/pdf/1906.01231.pdf
[10]End-to-End Relation Extraction using LSTMs on Sequences and Tree Structures https://www.aclweb.org/anthology/P16-1105
[11]Cross-Sentence N -ary Relation Extraction with Graph LSTMs https://www.cs.jhu.edu/~npeng/papers/TACL_17_RelationExtraction.pdf
[12]Graph Convolution over Pruned Dependency Trees Improves Relation Extraction https://aclweb.org/anthology/D18-1244
[13]Encoding Sentences with Graph Convolutional Networks for Semantic Role Labeling https://arxiv.org/pdf/1703.04826.pdf
[14]Linguistically-Informed Self-Attention for Semantic Role Labeling https://www.aclweb.org/anthology/D18-1548
[15]Graph Convolutional Encoders for Syntax-aware Neural Machine Translation https://arxiv.org/pdf/1704.04675.pdf
[16]Revisiting Semi-Supervised Learning with Graph Embeddings https://arxiv.org/pdf/1603.08861.pdf
[17]Graph Convolutional Neural Networks for Web-Scale Recommender Systems https://arxiv.org/pdf/1806.01973.pdf
[18]GraphIE: A Graph-Based Framework for Information Extraction https://arxiv.org/abs/1810.13083