日前，今年的机器学习国际顶级会议ICML（InternationalConferenceonMachineLearning）公布论文接收情况。据统计，ICML共提交篇论文，投稿数量再创新高，而最终接收论文篇，接收率21.8%。与往年相比，接收率逐年走低。
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：DistributedFrameworkforGraphNeuralKnowledgeRepresentation》顺利入选ICMLworkshop(BridgeBetweenPerceptionandReasoning:GraphNeuralNetworksBeyond)，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JureLeskovec联合举办，并邀请了人工智能奠基者之一的YoshuaBengio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。
前言
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。
简介
知识图谱(KG)通常以三元组头实体,关系，尾实体的形式表示实体及其丰富的异构关系。例如在图1(a)中,三元组Bob,work_in,Apple表示关系work_in连接了两个实体:Bob和Apple。知识图谱因其丰富的结构化信息，在信息检索、知识问答和推荐系统等诸多研究领域引起了广泛