2018年12月12日讨论班报告

各位老师，同学：

时间：12月12日讨论班 15:30-17:00

地点：教学楼5-308

报告内容：

孙振超 Learning Convolutional Neural Networks for Graphs

Numerous important problems can be framed as learning from graph data. We propose a framework for learning convolutional neural networks for arbitrary graphs. These graphs may be undirected, directed, and with both discrete and continuous node and edge attributes. Analogous to image-based convolutional networks that operate on locally connected regions of the input, we present a general approach to extracting locally connected regions from graphs. Using established benchmark data sets, we demonstrate that the learned feature representations are competitive with state-of-the-art graph kernels and that their computation is highly efficient.

许多重要的问题可以从图数据（Graph Data）中学习得到。本文提出了一个学习任意图卷积神经网络的框架。这些图可以是无向的，也可以是有向的，并且具有离散或连续的节点与边的属性。类似于基于图像的卷积网络, 在输入的局部连接区域（locally connected regions）上运行, 本文提出了一种从图数据中提取局部连接区域的通用方法。利用已建立的基准数据集, 可以证明该框架所学特征表示优于当前较为先进的图计算内核（graph kernel）, 同时具有很高的计算效率。

姜涛 Commonsense Knowledge Aware Conversation Generation with Graph Attention

常识知识对于许多自然语言处理任务至关重要。在本文中，我们提出了一个新的开放域对话生成模型，以演示大规模的常识知识如何促进语言理解和生成。给定一个用户post，模型从知识库中检索相关知识图，然后使用静态图注意机制对图进行编码，这增强了post的语义信息，从而支持更好地理解post。然后，在文字生成期间，模型attentively读取每个图中检索到的知识图和知识三元组，以便通过动态图注意机制更好地生成。这是在对话生成中使用大规模常识知识的第一次尝试。此外，与分别独立使用知识三元组（实体）的现有模型不同，我们的模型将每个知识图作为一个整体对待，它在图中编码更结构化，连接的语义信息。实验表明，所提出的模型可以产生比现有技术基线更合适和信息丰富的响应。

下周报告人 弭娜，张忠凯