2019年Philip S. Yu團隊的圖神經網絡綜述

使用graph來表示對象之間的複雜關係和依賴關係，然而graph數據的複雜已有的機器學習算法很難處理，因此使用深度學習方法來處理。A Comprehensive Survey on Graph Neural Networks論文回顧圖神經網絡（GNN）在文本挖掘和機器學習領域的發展，將GNN劃分爲遞歸圖神經網絡、卷積圖神經網絡、圖自編碼和時空圖神經網絡四類。此外還討論圖神經網絡跨各類領域的應用、總結開源代碼、數據集和圖神經網絡評價指標。最後給出可能的研究方向。

做者提到基於歐氏距離計算的數據能捕獲隱含模式，然而隨着應用數量的增長，開始使用graph表示數據，例如，它能夠利用用戶和商品之間的交互來提升推薦準確率；將化學分子建成graph，生物活性在藥物發現中獲得鑑定；在引言網絡中，經過引用關係創建文章之間的聯繫，將他們分紅不一樣的類別。然而graph與圖像不一樣，節點無序、尺寸不1、鄰居節點數量變化，這增長了graph的計算難度。此外ML算法是基於樣本獨立性假設的，與graph的構建機理矛盾。

♕發展歷史

一、遞歸圖神經網絡（RecGNNs） 1997年起，以迭代的方式並經過傳遞鄰居節點信息來學習目標節點表示，直到穩定點。此類方法計算複雜度高，一些研究者研究如何下降複雜度。如，「Gated graphsequence neural networks，ICLR2015」，「Learning steadystates of iterative algorithms over graphs，ICML2018」.

二、卷積圖神經網絡（ConvGNNs）分爲基於譜方法（最先2013）和基於空間方法（最先2009）

三、圖自編碼（GAEs)

四、時空圖神經網絡（STGNNs）

♕圖嵌入 vs. 網絡嵌入

主要區別：GNN是一組神經網絡模型來處理不一樣任務，網絡嵌入涵蓋了針對同一任務的各類方法。經過圖自編碼器框架GNNs可以處理網絡嵌入問題。
graph embedding :以端到端的方式處理圖關係任務，抽取高階表示

network embedding: 低維向量表示網絡節點，同時保持網絡拓撲結構和節點內容信息。所以，任何後續的圖形分析任務，如分類、聚類和推薦，均可以使用簡單的現成的機器學習算法輕鬆地執行。網絡嵌入還包含非深度學習方法，如矩陣分解和隨機遊走。

♕圖神經網絡 vs. 圖內核方法

圖內核：是解決圖分類問題主要技術。使用核函數度量圖對之間的類似度，如svm。經過映射函數將圖和節點映射到向量空間。採用兩兩對類似度計算，計算複雜度高

圖神經網路：直接根據抽取的圖表徵執行圖分類，比圖核方法更有效。經過映射函數將圖和節點映射到向量空間。