指尖下的光之路径图海报

由于路径在图模型中非常基础，有大量基于路径查询的需求，如果不原生支持路径，会极大限制图查询语言的表达能力。

作者提出了一种新的路径聚合范式，并设计了PathNet来捕捉同质图和异质图的语义和结构信息。首先，作者对合理数量的路径进行采样。然后，提出了一个具有参数共享机制的结构感知递归单元来聚合每个路径。此外，路径注意力模块可以区分路径的偏好。作为一个端到端的模型，模型在异质性和同质性图上都达到了SOTA的性能。

路径与图搜索算法通常从一个节点开始，扩展关系直至到达目的地。寻路算法尝试根据跳数或权重找到最便宜的路径，而搜索算法找到的可能不是最短的路径。几种典型的路径与图搜索算法包括：最短路径算法

1)随机游走推理已被广泛应用，例如:路径排序算法(PRA)在路径约束的组合下选择关系路径并进行最大似然分类。为了改进路径搜索，可以通过合并文本内容在随机游走中引入向量空间相似性启发式算法，这也缓解了PRA中的特征稀疏问题。还可以利用神经多跳关系路径建模。2)也可以构建基于RNN模型，通过递归地应用组合性来组合关系路径的含义(图6b)。3)推理链是一种支持多种原因的神经注意机制，代表了所有关系、实体和文本的逻辑组成。4)DIVA提出了一个统一的变分推理框架，将多跳推理作为路径查找(底层路径推理的先验分布)和路径推理(链接分类的可能性)的两个子步骤

学习路径图的理念并不复杂。行业中，尝试构建学习路径图的企业不少，但是能够设计好并且取得良好实施效果的企业并不多。通过分析总结，我们认为如下两个核心问题没有得到有效的解决，从而大大影响了学习路径图的实施效果：