GoGNN：用于预测结构化实体交互的图之图神经网络
机器学习
2021-04-13 v1 社会与信息网络
摘要
实体交互预测在化学、生物学、材料科学和医学等众多重要应用中至关重要。当每个实体由复杂结构（即结构化实体）表示时，问题变得极具挑战性，因为涉及两类图：用于结构化实体的局部图，以及用于捕捉结构化实体间交互的全局图。我们观察到，现有的结构化实体交互预测工作未能恰当地利用独特的图之图模型。本文中，我们提出一种图之图神经网络，即 GoGNN，它以分层方式提取结构化实体图与实体交互图中的特征。我们还提出双注意力机制，使模型能够在两个层级的图中保持邻居重要性。在真实世界数据集上的大量实验表明，GoGNN 在两项代表性的结构化实体交互预测任务（化学-化学交互预测与药物-药物交互预测）上优于最先进的方法。我们的代码已在 Github 上提供。
引用
@article{arxiv.2005.05537,
title = {GoGNN: Graph of Graphs Neural Network for Predicting Structured Entity Interactions},
author = {Hanchen Wang and Defu Lian and Ying Zhang and Lu Qin and Xuemin Lin},
journal= {arXiv preprint arXiv:2005.05537},
year = {2021}
}
备注
Accepted by IJCAI 2020