快讯｜北邮GAMMA LAB的三篇工作被CIKM 2023 接收

题目: Node-dependent Semantic Search over Heterogeneous Graph

题目：Retrieving GNN Architecture  for Collaborative Filtering

作者：Fengqi Liang, Huan Zhao, Zhenyi Wang, Wei Fang, Chuan Shi

图神经网络（GNNs）在协同过滤（CF）中被广泛应用。然而，在面对新的推荐场景时，当前的选项要么是从现有的GNN架构中选择，要么是使用神经网络架构搜索（NAS）来获取一个表现良好的GNN模型，这两者在专家知识或计算资源方面都非常昂贵。为了解决这个问题，在这项工作中，我们提出了一种新颖的神经检索方法，称为RGCF，用于在处理新场景时快速搜索表现良好的适用于协同过滤GNN架构。具体而言，在检索范式中，我们基于元学习设计了神经检索方法，通过设计元特征、排序损失和任务级数据增强，RGCF可以直接为新数据集（查询）返回一个表现良好的架构，因此在本质上具有高效性。针对两个新数据集, 在两个主流任务，即评分预测和物品排序方面的实验结果表明，RGCF在效果和效率方面优于所有人工设计或NAS的模型。特别是在效率方面有显著提升，例如在这两个新数据集上，RGCF相比典型的基于强化学习的NAS方法快了61.7-206.3倍。

题目：Datasets and Interfaces for Benchmarking Heterogeneous Graph Neural Networks

作者：Yijian Liu, Hongyi Zhang, Cheng Yang, Ao Li, Yugang Ji, Luhao Zhang, Tao Li, Jinyu Yang, Tianyu Zhao, Juan Yang, Hai Huang, Chuan Shi

异质图神经网络（HGNNs）由于其在实际应用中的优异表现已经受到越来越多的关注，然而，目前已发布的异质图神经网络数据集主要集中于一些常见的科研场景，如论文引用、蛋白质/药物间关系以及社交网络等。在新兴领域缺乏高质量的基准数据集已经成为HGNNs发展和应用的一个关键限制。为了满足这一迫切需求，我们从真实场景中提出了两个大规模且具有挑战性的异质图数据集：风险商品检测和外卖推荐，并举办相应的竞赛。同时，我们建立了相关的接口对异质图数据集进行基准测试，提供了超过40个异质图数据集，包含数据集划分、统一的评估指标以及基准测试结果。该接口还提供了一系列的工具包去探索图数据集的重要性质。我们致力于为探索更先进的HGNNs提供基准，使其能够应用于更多的领域。