方向一：GNN的Representation Learning改进
应用领域
首先，GNN作为一种神经网络（就像CNN，RNN这样的NN），它的应用领域有：
- Natural Language Processing
- Neural Machine Translations
- Reading Comprehension
- Relation Extraction
- Text Classification
- Text Generation
- Miscellaneous
- Computer Vision
- Recommended System
- Intelligent Traffic
- Programming Source Code
- Physical System
- Chemistry and Biology
- Knowledge Graph
- Combinatorial Optimization
- Complex Network
GNN的未来研究方向
Model Depth
Deep Learning的一个特点在于网络的Deep，但是GNN却不能叠很深，一深性能就会下降。（6度原理~）
Heterogenity
用在异质信息网络上的GNN；
Dynamicity
现实中很多图并不是静态的，它会动态地增加和减少边和节点，如何将GNN用到这种动态图上是一个研究方向；
Highly Scalable GNNs
设计具有高度可扩展性的GNN，能够应用到具有大量edges，nodes的动态图上；
Robust GNN
目前的GNN中，一旦输入图的结构和/或初始特征被对手攻击，GNN模型的性能将急剧下降，因此需要健壮的GNN；
GNNs Going Beyond WL Test
空间GCNNs的性能受到1-WL检验的限制，而高阶WL检验计算量大（不太懂）
Interpretable GNNs
现有的GNN工作就像一个黑盒子，我们需要构建一个GNN的可解释框架。
感兴趣的领域——Recommender System
根据输入数据的不同，分为两大类推荐：
- General Recommendation
- Without side information
- Social network enhanced
- Knowledge graph enhanced
- Sequential Recommendation
- Without side information
- Social network enhanced
可以探索的方向：
- Efficient GNNs for Heterogeneous Graphs
- Multi-graph information Integration
- Scalability of GNNs in Recommendation
- Sequence Graph Construction for Sequential Recommendation
方向二：NLP with GNN approaches
地址：G:\SelfLearning\JupyterNotebook3.0\Conferences\CCKS\2020
Task 4：面向金融领域的小样本跨类迁移事件抽取
任务：在closed-domain下，给定句子，将大样本下训练的模型跨类迁移到小样本的其他事件类型上。
数据：
{
"id": "ecb7d40130299305dd53bc9096449919",
"content": "所以,鉴于三人特殊的亲戚关系,业内认为,金马股份收购众泰汽车的做法,更像是一场自导自演、自我抬高身价的家族游戏。",
"events":
[{
"type": "收购",
"mentions":
[{"word": "金马股份", "span": [20, 24], "role": "sub-org"},
{"word": "收购", "span": [24, 26], "role": "trigger"},
{"word": "众泰汽车", "span": [26, 30], "role": "obj-org"}]
}]
}
视频：
- 任务四“面向金融领域的小样本跨类迁移事件抽取”评测第一名报告 评测：A Joint Learning Framework for the CCKS-2020 Financial Event Extraction Task Speaker：盛傢伟 [▶]
- 任务四“面向金融领域的小样本跨类迁移事件抽取”报告 评测：Transfer Learning for Small-scale Financial Event Extraction Speaker：宁星星 [▶]
比赛链接：
Task 5：面向金融领域的篇章级事件主体与要素抽取
任务：在closed-domain下，给定篇章，完成两个独立子任务：（1）事件类型和事件主体抽取；（2）事件类型和篇章事件要素抽取
数据：
"2444634 世联君汇预计2017年净利下滑近8成至853万元中超电缆(002471)再遭中超集团减持5%股份 业绩下滑 世联君汇"
"2836026 LG空调亏损严重或效仿新科 两大缺陷遭退市尴尬华兰生物(002007)三季度净利下降45% 汇添富或为“失血门”跑路主力 业绩下滑 华兰生物"
"2809128 四方达(300179)股东减持60万股 套现414.6万元收到欧盟打款后希腊总理宣布辞职再选 欧盟紧急声明要求希腊恪守承诺巨力索具(002342)下调预测 因产品毛利率下降 业绩下滑 巨力索具"
"2221860 单元式空调抽查不合格名单春兰、日立产品入列北大荒(600598)计提坏账净利骤降83.5%好利来(002729)股东高位减持 业绩下滑 北大荒"
视频：
- 任务五“面向金融领域的篇章级事件主题与要素抽取”子任务第一名报告 评测：基于BERT的事件主体抽取 Speaker：潘春光 [▶] [[PDF下载]](https://hub-cache.baai.ac.cn/hub-pdf/20201123/CCKS2020-PPT/评测/任务四 基于BERT的事件主体抽取.pdf)
- 任务五“面向金融领域的篇章级事件主题与要素抽取”子任务第一名报告 评测：A Prior Information Enhanced Extraction Framework for Document-level Financial Event Extraction Speaker：王海涛 [▶] [[PDF下载]](https://hub-cache.baai.ac.cn/hub-pdf/20201123/CCKS2020-PPT/评测/任务五 A Prior Information Enhanced Extraction Framework for Document-level Financial Event Extraction.pdf)
比赛链接：
