小知识，大挑战！本文正在参与“ 程序员必备小知识 ”创作活动
本文同时参与 「掘力星计划」 ，赢取创作大礼包，挑战创作激励金
顶会解决长尾分布 介绍：
图结构在现实世界场景中的流行使 节点分类和链接预测等重要任务。 许多领域中的图在它们的分布中遵循长尾分布 节点度，即，很大一部分节点是尾节点 一个小学位。尽管最近的图神经网络 (GNN) 可以 学习强大的节点表示，他们统一对待所有节点 并且不是为大量尾节点量身定制的。特别是， 尾节点上的结构信息（即链接）有限， 导致性能下降。为了实现稳健的尾节点嵌入，在本文中，我们提出了一种新的图神经网络，称为 尾-GNN。它取决于可转移邻域平移的新概念，对目标节点之间的可变关系进行建模 和它的邻居。一方面，Tail-GNN 学习邻域 从结构丰富的头节点（即高度 节点），可以进一步转移到结构有限的 尾节点以增强其表示。另一方面，该 与邻居的联系在不同地区是可变的 图，并且全局邻域转换是不灵活的。因此， 我们设计了一个节点适应来本地化全局翻译 w.r.t.每个节点。对五个基准数据集的广泛实验 证明我们提出的 Tail-
未来挑战：
在本文中，我们研究了尾节点嵌入的问题 在图神经网络中。 我们首先引入一个新的概念 可转移的邻域翻译来捕捉关系 节点与其相邻节点之间的联系。 随后，我们 提出了一种新的模型 Tail-GNN 来缩小头部之间的差距 和尾部节点，用于稳健的尾部节点嵌入。 具体来说，基于 一种可转移的邻域翻译形式，可以进一步 本地化以适应每个节点的本地上下文，我们预测丢失 尾节点的邻域信息以补充它们的 邻域聚合。 对五个公众的广泛实验 基准数据集表明 Tail-GNN 可以获得最先进的 性能与一套全面的基线相比。 为了未来 工作，我们计划利用高阶邻域信息 尾节点嵌入。
