Graph2Seq：基于注意力机制的图到序列学习神经网络

著名的序列到序列学习（Seq2Seq）技术及其众多变体在许多任务上取得了优异的性能。然而，许多机器学习任务的输入天然以图的形式表示；现有的Seq2Seq模型在实现从图形式到适当序列的准确转换方面面临重大挑战。为了解决这一挑战，我们提出了一种新颖的端到端图到序列神经编码器-解码器模型，该模型将输入图映射为一系列向量，并使用基于注意力机制的LSTM方法从这些向量中解码目标序列。我们的方法首先利用改进的基于图的神经网络和一种新的聚合策略生成节点和图嵌入，该策略能够在节点嵌入中融入边的方向信息。此外，我们引入了一种注意力机制，将节点嵌入与解码序列对齐，从而更好地应对大规模图。实验结果表明，在bAbI、最短路径和自然语言生成任务上，我们的模型达到了最先进的性能，并显著优于现有的图神经网络、Seq2Seq和Tree2Seq模型；通过采用所提出的双向节点嵌入聚合策略，模型能够迅速收敛至最优性能。