标签：嵌入 graph 网络 方法 神经网络 2019 Philip Yu 节点

使用graph来表示对象之间的复杂关系和依赖关系，然而graph数据的复杂已有的机器学习算法很难处理，所以使用深度学习方法来处理。A Comprehensive Survey on Graph Neural Networks论文回顾图神经网络（GNN）在文本挖掘和机器学习领域的发展，将GNN划分为递归图神经网络、卷积图神经网络、图自编码和时空图神经网络四类。此外还讨论图神经网络跨各种领域的应用、总结开源代码、数据集和图神经网络评价指标。最后给出可能的研究方向。

作者提到基于欧氏距离计算的数据能捕获隐含模式，然而随着应用数量的增加，开始使用graph表示数据，例如，它可以利用用户和商品之间的交互来提高推荐准确率；将化学分子建成graph，生物活性在药物发现中得到鉴定；在引言网络中，通过引用关系建立文章之间的联系，将他们分成不同的类别。然而graph与图像不同，节点无序、尺寸不一、邻居节点数量变化，这增加了graph的计算难度。此外ML算法是基于样本独立性假设的，与graph的构建机理矛盾。

♕发展历史

1、递归图神经网络（RecGNNs） 1997年起，以迭代的方式并通过传递邻居节点信息来学习目标节点表示，直到稳定点。此类方法计算复杂度高，一些研究者研究如何降低复杂度。如，“Gated graphsequence neural networks，ICLR2015”，“Learning steadystates of iterative algorithms over graphs，ICML2018”.

2、卷积图神经网络（ConvGNNs）分为基于谱方法（最早2013）和基于空间方法（最早2009）

3、图自编码（GAEs)

4、时空图神经网络（STGNNs）

♕图嵌入 vs. 网络嵌入

主要区别：GNN是一组神经网络模型来处理不同任务，网络嵌入涵盖了针对同一任务的各种方法。通过图自编码器框架GNNs能够处理网络嵌入问题。
graph embedding :以端到端的方式处理图关系任务，抽取高阶表示

network embedding: 低维向量表示网络节点，同时保持网络拓扑结构和节点内容信息。因此，任何后续的图形分析任务，如分类、聚类和推荐，都可以使用简单的现成的机器学习算法轻松地执行。网络嵌入还包含非深度学习方法，如矩阵分解和随机游走。

♕图神经网络 vs. 图内核方法

图内核：是解决图分类问题主要技术。使用核函数度量图对之间的相似度，如svm。通过映射函数将图和节点映射到向量空间。采用两两对相似度计算，计算复杂度高

图神经网路：直接根据抽取的图表征执行图分类，比图核方法更有效。通过映射函数将图和节点映射到向量空间。

标签：嵌入,graph,网络,方法,神经网络,2019,Philip,Yu,节点
来源： https://blog.51cto.com/12339636/2536317

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。