如果說(shuō) 2019 年機(jī)器學(xué)習(xí)領(lǐng)域什么方向最火，那么必然有圖神經(jīng)網(wǎng)絡(luò)的一席之地。其實(shí)早在很多年前，圖神經(jīng)網(wǎng)絡(luò)就以圖嵌入、圖表示學(xué)習(xí)、網(wǎng)絡(luò)嵌入等別名呈現(xiàn)出來(lái)，其實(shí)所有的這些方法本質(zhì)上都是作用在圖上的機(jī)器學(xué)習(xí)。本文將根據(jù)近兩年的綜述對(duì)圖網(wǎng)絡(luò)方法做一個(gè)總結(jié)，為初入圖世界的讀者提供一個(gè)總體的概覽。

本文作者朱梓豪為中科院信工所在讀碩士，主要研究方向?yàn)閳D神經(jīng)網(wǎng)絡(luò)、視覺(jué)問(wèn)答、視覺(jué)對(duì)話(huà)等。

什么是圖

圖是一種常見(jiàn)的數(shù)據(jù)結(jié)構(gòu)，用于表示對(duì)象及其之間的關(guān)系。其中，對(duì)象又稱(chēng)節(jié)點(diǎn)(node)或頂點(diǎn)(vertex)，關(guān)系用邊(edge)來(lái)描述。在數(shù)學(xué)上一般用 G=(V,E,A,X) 來(lái)表示，其中 V={v1,v2……,vn} 是節(jié)點(diǎn)集合，E=e_ij 表示邊的集合，A 是大小為|V|×|V|的鄰接矩陣，用于表示節(jié)點(diǎn)之間的連接關(guān)系，如果 e_ij∈E，則 A_ij=1，X 是大小為|V|×d 的特征矩陣，X 的第 i 行 X_i:表示第 i 個(gè)節(jié)點(diǎn)的屬性特征，其中 d 是屬性的維度。

為何需要在圖上應(yīng)用機(jī)器學(xué)習(xí)方法

圖是一種描述和建模復(fù)雜系統(tǒng)的通用語(yǔ)言，在真實(shí)世界中無(wú)處不在。例如，F(xiàn)acebook、 Twitter 等社交媒體構(gòu)成了人類(lèi)之間的社交網(wǎng)絡(luò) (Social Network);人體中的蛋白質(zhì)分子構(gòu)成了生物網(wǎng)絡(luò) (Biological Network);各種移動(dòng)終端構(gòu)成了通信網(wǎng)絡(luò) (Communication Network);智能硬件之間構(gòu)成了物聯(lián)網(wǎng) (Internet-of-Things) 、城市間的公路、鐵路、航線(xiàn)構(gòu)成了運(yùn)輸網(wǎng)絡(luò) (Transportation Network) 等等。因此也催化出一系列在圖上進(jìn)行數(shù)據(jù)挖掘的任務(wù)，如為用戶(hù)推薦感興趣的好友、判斷蛋白質(zhì)結(jié)構(gòu)、預(yù)測(cè)交通流量、檢測(cè)異常賬戶(hù)等等。但是真實(shí)圖的數(shù)據(jù)量龐大，動(dòng)輒上億節(jié)點(diǎn)、而且內(nèi)部拓?fù)浣Y(jié)構(gòu)復(fù)雜，很難將傳統(tǒng)的圖分析方法如最短路徑、DFS、BFS、PageRank 等算法應(yīng)用到這些任務(wù)上。鑒于機(jī)器學(xué)習(xí)在圖像、文本領(lǐng)域的廣泛應(yīng)用，一部分研究者嘗試將機(jī)器學(xué)習(xí)方法和圖數(shù)據(jù)結(jié)合起來(lái)，逐漸成為機(jī)器學(xué)習(xí)領(lǐng)域的一股熱潮。

網(wǎng)絡(luò)表示學(xué)習(xí)、圖嵌入的定義

俗話(huà)說(shuō)「巧婦難為無(wú)米之炊」，再?gòu)?qiáng)大的機(jī)器學(xué)習(xí)算法也需要數(shù)據(jù)進(jìn)行支持。在同樣的數(shù)據(jù)集和任務(wù)上，由于特征的不同，同一個(gè)算法的結(jié)果也可能會(huì)有天壤之別。由于特征的選擇對(duì)結(jié)果的決定性作用，很多數(shù)據(jù)挖掘方面的研究工作把重心放到了針對(duì)特定的數(shù)據(jù)由人工設(shè)計(jì)出有價(jià)值的特征上。

深度學(xué)習(xí)本質(zhì)上是一種特征學(xué)習(xí)方法，其思想在于將原始數(shù)據(jù)通過(guò)非線(xiàn)性模型轉(zhuǎn)變?yōu)楦�高層次的特征表示，從而獲得更抽象的表達(dá)。與人工設(shè)計(jì)特征不同，深度學(xué)習(xí)會(huì)自動(dòng)從數(shù)據(jù)中學(xué)習(xí)出特征表示，所以又稱(chēng)為表示學(xué)習(xí)(Representation Learning)。如圖像分類(lèi)，輸出的一張高維的圖片，經(jīng)過(guò)一系列的卷積池化等操作，低層可以抽取出低級(jí)的特征(輪廓、顏色)、較深的層會(huì)根據(jù)低級(jí)特征學(xué)習(xí)到更高級(jí)的特征，然后變換成一個(gè)向量通過(guò)全連接層進(jìn)行分類(lèi)，這個(gè)向量就是輸入圖像的特征表示。

一個(gè)很自然的想法就是，既然直接在圖上直接應(yīng)用機(jī)器學(xué)習(xí)方法比較困難，那么能否先將節(jié)點(diǎn)或邊用低維向量表示出來(lái)，然后在這些向量上應(yīng)用已經(jīng)很成熟的機(jī)器學(xué)習(xí)算法。這種將圖中節(jié)點(diǎn)嵌入到低維歐式空間中的方法就叫做圖嵌入(Graph Embedding)。

其實(shí)、圖嵌入、網(wǎng)絡(luò)嵌入、圖表示學(xué)習(xí)、網(wǎng)絡(luò)表示學(xué)習(xí)這些名詞指的的都是同一個(gè)概念。給定圖$G=(\mathbf{V,E,A,X})$，圖嵌入需要學(xué)習(xí)從節(jié)點(diǎn)到向量的映射：$f:v_i\to \mathbf{y}_i \in R^d$，其中$d<<|V|$，$f$需要盡可能的保留住節(jié)點(diǎn)的結(jié)構(gòu)信息和屬性信息。

圖嵌入方法的分類(lèi)

圖數(shù)據(jù)最大的特點(diǎn)在于節(jié)點(diǎn)之間存在著鏈接關(guān)系，這表明圖中節(jié)點(diǎn)之間并非完全獨(dú)立。除了節(jié)點(diǎn)間的鏈接關(guān)系，節(jié)點(diǎn)自身也可能含有信息，比如互聯(lián)網(wǎng)中網(wǎng)頁(yè)節(jié)點(diǎn)對(duì)應(yīng)的文本信息，這些特性使得圖嵌入需要考慮很多的因素。從訓(xùn)練所需的信息來(lái)看，一般有三種主要的信息源：圖結(jié)構(gòu)、節(jié)點(diǎn)屬性和節(jié)點(diǎn)標(biāo)簽，可基于此分成無(wú)監(jiān)督圖嵌入和半監(jiān)督圖嵌入;還有一種是根據(jù)輸入數(shù)據(jù)的不同進(jìn)行劃分，比如按照邊的方向性、是否是異構(gòu)網(wǎng)絡(luò)等性質(zhì)。然而這兩種劃分依據(jù)并不合適，因?yàn)楫?dāng)前圖嵌入算法的主要區(qū)別在于算法類(lèi)型，同一算法類(lèi)型下的框架都是相似的，因此本文基于 Hamilton 等 [1] 和 Goyal 等 [2] 兩篇關(guān)于圖嵌入的綜述，將圖嵌入方法概括為基于矩陣分解的圖嵌入、基于隨機(jī)游走的圖嵌入、基于神經(jīng)網(wǎng)絡(luò)的圖嵌入(即圖神經(jīng)網(wǎng)絡(luò))。

基于矩陣分解的圖嵌入

基于矩陣分解的方法是將節(jié)點(diǎn)間的關(guān)系用矩陣的形式加以表示，然后分解該矩陣以得到嵌入向量。通常用于表示節(jié)點(diǎn)關(guān)系的矩陣包括鄰接矩陣、拉普拉斯矩陣、節(jié)點(diǎn)轉(zhuǎn)移概率矩陣、節(jié)點(diǎn)屬性矩陣等。根據(jù)矩陣的性質(zhì)不同適用于不同的分解策略。主要包括 Local Linear Embedding(LLE)[3]、Laplacian Eigenmaps[4]、SPE[5]、GraRep[6] 等。

LLE 算法其實(shí)是流形學(xué)習(xí)的一種，LLE 算法認(rèn)為每一個(gè)數(shù)據(jù)點(diǎn)都可以由其鄰域節(jié)點(diǎn)的線(xiàn)性加權(quán)組合構(gòu)造得到。降維到低維空間后，這種線(xiàn)性關(guān)系仍然得到保留。Laplacian Eigenmaps 和 LLE 有些相似，直觀思想是希望相互間有關(guān)系的點(diǎn)(在圖中相連的點(diǎn))在降維后的空間中盡可能的靠近。為了使得輸入圖的嵌入是低維表示并且保留圖全局拓?fù)浣Y(jié)構(gòu)，Shaw 等 [5] 提出在歐式空間中嵌入圖的結(jié)構(gòu)保留嵌入方法(SPE，Structure Preserving Embedding)，學(xué)習(xí)由一組線(xiàn)性不等式約束的低秩核矩陣，用于捕獲輸入圖結(jié)構(gòu)。SPE 在圖的可視化和無(wú)損壓縮方面獲得明顯改善，優(yōu)于 Laplacian Eigenmaps 等方法。Cao 等 [6] 認(rèn)為考慮節(jié)點(diǎn)之間的 k 階關(guān)系對(duì)把握網(wǎng)絡(luò)的全局特征非常重要，考慮越高階的關(guān)系，得到的網(wǎng)絡(luò)表示效果會(huì)越好。GraRep 通過(guò) SVD 分解分別學(xué)習(xí)節(jié)點(diǎn)的 k 階表示，然后將其結(jié)合起來(lái)作為最終的表示，這樣可以很好地捕捉到遠(yuǎn)距離節(jié)點(diǎn)之間的關(guān)系。

基于隨機(jī)游走的方法

隨機(jī)游走方法已經(jīng)被用來(lái)近似圖的許多屬性，包括節(jié)點(diǎn)中心性和相似性等。當(dāng)圖的規(guī)模特別大或者只能觀察到部分圖的時(shí)候，隨機(jī)游走就變得非常有用。有研究者提出了利用圖上隨機(jī)游走來(lái)獲取節(jié)點(diǎn)表示的嵌入技術(shù)，其中最著名的就是 DeepWalk[7] 和 node2vec[8]。

DeepWalk 是基于 word2vec 詞向量提出來(lái)的。word2vec 在訓(xùn)練詞向量時(shí)，將語(yǔ)料作為輸入數(shù)據(jù)，而圖嵌入輸入的是整張圖，兩者看似沒(méi)有任何關(guān)聯(lián)。但是 DeepWalk 的作者發(fā)現(xiàn)，預(yù)料中詞語(yǔ)出現(xiàn)的次數(shù)與在圖上隨機(jī)游走節(jié)點(diǎn)被訪(fǎng)問(wèn)到底的次數(shù)都服從冪律分布。因此 DeepWalk 把節(jié)點(diǎn)當(dāng)做單詞，把隨機(jī)游走得到的節(jié)點(diǎn)序列當(dāng)做句子，然后將其直接作為 word2vec 的輸入來(lái)得到節(jié)點(diǎn)的嵌入表示。其框架如圖 1 所示，首先采用隨機(jī)游走的方法產(chǎn)生標(biāo)準(zhǔn)的輸入序列，用 SkipGram 模型對(duì)序列建模得到節(jié)點(diǎn)的向量表示，然后使用分層 softmax 解決節(jié)點(diǎn)高維度輸出問(wèn)題。DeepWalk 模型的提出為圖嵌入提出了一種新的研究思路，也算是引發(fā)了對(duì)圖嵌入研究的熱潮。

 

圖一node2vec 通過(guò)改變生成隨機(jī)游走序列的方式改進(jìn)了 DeepWalk 算法。DeepWalk 是按照均勻分布隨機(jī)選取隨機(jī)游走序列的下一個(gè)節(jié)點(diǎn)。node2vec 同時(shí)考慮了廣度優(yōu)先搜索(BFS) 和深度優(yōu)先搜索 (DFS)。Grover 等發(fā)現(xiàn)，廣度優(yōu)先搜索注重刻畫(huà)網(wǎng)絡(luò)中的局部特征，而深度優(yōu)先搜索能更好地遍歷整個(gè)網(wǎng)絡(luò)，反映了節(jié)點(diǎn)間的同質(zhì)性。特別地，node2vec 引入 search bias 函數(shù)來(lái)平衡這兩種采樣方式，通過(guò)參數(shù) p 和 q 來(lái)調(diào)整下一步的跳轉(zhuǎn)概率。

 

其他基于隨機(jī)游走的方法還包括 Walklets、LsNet2vec、TriDNR、HARP、DDRW 等等。

基于神經(jīng)網(wǎng)絡(luò)的圖嵌入(圖神經(jīng)網(wǎng)絡(luò))

還有一類(lèi)方法是將神經(jīng)網(wǎng)絡(luò)和圖結(jié)合起來(lái)的圖表示學(xué)習(xí)方法，也是最近一年來(lái)最火的方向之一，我們統(tǒng)稱(chēng)為圖神經(jīng)網(wǎng)絡(luò)。機(jī)器之心已經(jīng)為其做過(guò)了全面的介紹，具體請(qǐng)參見(jiàn)：深度學(xué)習(xí)時(shí)代的圖模型，清華發(fā)文綜述圖網(wǎng)絡(luò) 、清華大學(xué)圖神經(jīng)網(wǎng)絡(luò)綜述：模型與應(yīng)用、圖神經(jīng)網(wǎng)絡(luò)概述第三彈：來(lái)自 IEEE Fellow 的 GNN 綜述。主要將其分為圖卷積網(wǎng)絡(luò)、圖注意力網(wǎng)絡(luò)、圖生產(chǎn)網(wǎng)絡(luò)、圖時(shí)空網(wǎng)絡(luò)、圖自編碼器。又可以分為基于譜的方法和基于空間的方法。由于基于譜的方法需要分解矩陣特征向量，因此絕大多數(shù)新提出的方法都是基于空間，也就是如何傳播并聚合節(jié)點(diǎn)和邊的信息。圖像和文本本質(zhì)上是有規(guī)則的格柵結(jié)構(gòu)的圖，因此，很自然想到可以將已經(jīng)在 CV、NLP 領(lǐng)域成功應(yīng)用的模型拓展到圖上，如詞向量和圖卷積。最近，也出現(xiàn)了基于膠囊的圖神經(jīng)網(wǎng)絡(luò)和基于圖像語(yǔ)義分割 U-Net 模型的 Graph U-Net。

注意力機(jī)制的在圖嵌入的應(yīng)用

有一部分研究者將注意力 (attention) 機(jī)制引入到了圖神經(jīng)網(wǎng)絡(luò)中。注意力機(jī)制的本質(zhì)是從人類(lèi)視覺(jué)注意力機(jī)制中獲得靈感。大致是我們視覺(jué)在感知東西的時(shí)候，一般不會(huì)是一個(gè)場(chǎng)景從到頭看到尾全部都看，而是根據(jù)需求觀察特定的一部分。這意味著，當(dāng)人們注意到某個(gè)目標(biāo)或某個(gè)場(chǎng)景時(shí)，該目標(biāo)內(nèi)部以及該場(chǎng)景內(nèi)每一處空間位置上的注意力分布是不一樣的。而且當(dāng)我們發(fā)現(xiàn)一個(gè)場(chǎng)景經(jīng)常在某部分出現(xiàn)自己想觀察的東西時(shí)，我們就會(huì)進(jìn)行學(xué)習(xí)在將來(lái)再出現(xiàn)類(lèi)似場(chǎng)景時(shí)把注意力放到該部分上。更通用的解釋就是，注意力機(jī)制是根據(jù)當(dāng)前的某個(gè)狀態(tài)，從已有的大量信息中選擇性的關(guān)注部分信息的方法，其實(shí)就是一系列注意力分配系數(shù)。

基于注意力機(jī)制的 GNN 的思想是在計(jì)算每個(gè)節(jié)點(diǎn)的表示的時(shí)候，首先計(jì)算其和鄰居節(jié)點(diǎn)之間的注意力系數(shù)，為重要的鄰居節(jié)點(diǎn)分配較大的權(quán)重，在聚合的過(guò)程中將不同的重要性分配給鄰域內(nèi)不同的節(jié)點(diǎn)。

表 1 按照輸入、輸出、任務(wù)對(duì)近兩年發(fā)表的基于注意力機(jī)制的圖神經(jīng)網(wǎng)絡(luò)模型進(jìn)行匯總比較，下面對(duì)幾個(gè)具有代表性的模型進(jìn)行概述，具體內(nèi)容請(qǐng)參照論文《Attention Models in Graphs: A Survey》[9]。

 

 

Yoshua Bengio 的 MILA 團(tuán)隊(duì)在 2018 年提出了圖注意力網(wǎng)絡(luò) (Graph Attention Networks, GAT)[10]，論文中定義了 Graph attention 層，通過(guò)疊加不同的 attention 層，可以組成任意結(jié)構(gòu)的圖神經(jīng)網(wǎng)絡(luò)，其架構(gòu)如圖所示，最終要的步驟就是計(jì)算節(jié)點(diǎn) i 的鄰居節(jié)點(diǎn)對(duì)其的注意力系數(shù)$\alpha_{ij}$, 這里還是用了多頭注意力機(jī)制，圖中不同的顏色代表不同的頭。

 

 

不同于 GAT 是節(jié)點(diǎn)分類(lèi)，DAGCN[11] 用于圖分類(lèi)任務(wù)。模型中包括兩個(gè) attention 單元，一個(gè)是和 GAT 一樣，用于圖卷積得到節(jié)點(diǎn)的表示，另一個(gè)是基于 attention 的池化操作，得到整個(gè)圖的表示，然后將圖表示輸入到一個(gè) MLP 得到整個(gè)圖的分類(lèi)。作者認(rèn)為，經(jīng)典的 GCN 每一層都只能捕獲第 k-hop 鄰域的結(jié)構(gòu)信息，只有最后一層的 H 被用下一步的預(yù)測(cè)，隨著網(wǎng)絡(luò)層數(shù)的增多，會(huì)丟失大量的信息。作者提出的 attention 層的思想是不僅要依賴(lài)于第 k-hop 的結(jié)果, 還要從前面每一個(gè) hop 捕獲有價(jià)值的信息。

綜合各種圖注意力網(wǎng)絡(luò)的論文來(lái)看，最主要的區(qū)別在于如何定義和實(shí)現(xiàn)注意力機(jī)制。第一類(lèi)是學(xué)習(xí) attention weights：

 

 

主要是通過(guò) softmax 函數(shù)實(shí)現(xiàn)的，同時(shí)還需要一個(gè)基于節(jié)點(diǎn)屬性可訓(xùn)練的計(jì)算節(jié)點(diǎn) j 和節(jié)點(diǎn) 0 相關(guān)性的函數(shù)，例如 GAT 的實(shí)現(xiàn)方式為：

 

 

其中 W 是將節(jié)點(diǎn)屬性映射到隱空間的可訓(xùn)練的參數(shù)矩陣，||表示串接。

第二類(lèi)基于相似度的 attention，同樣，給定相應(yīng)的屬性或特征，第二種注意力的學(xué)習(xí)方法與上面的方法類(lèi)似，但有一個(gè)關(guān)鍵的區(qū)別是更多的注意力集中在具有更多相似隱藏表示或特征的節(jié)點(diǎn)上，這在文獻(xiàn)中也經(jīng)常被稱(chēng)為對(duì)齊。以 AGNN 中的公式為例：

 

 

其中 cos 來(lái)計(jì)算余弦相似度，可以看到和上式非常相似。不同之處在于，模型顯式地為彼此相關(guān)的對(duì)象學(xué)習(xí)類(lèi)似的隱藏嵌入，因?yàn)樽⒁饬κ腔�于相似性或�(qū)�齊的。

前兩種注意力主要集中在選擇相關(guān)信息以整合到目標(biāo)對(duì)象的隱藏表示中，而第三種注意力的目的略有不同，叫做基于注意力的游走。舉例來(lái)說(shuō)，在一個(gè)輸入圖上執(zhí)行一系列游走，并使用 RNN 對(duì)訪(fǎng)問(wèn)的節(jié)點(diǎn)信息進(jìn)行編碼，從而構(gòu)造一個(gè)子圖嵌入。RNN 的 t 時(shí)刻的隱藏狀態(tài)對(duì) 1 到 t 訪(fǎng)問(wèn)的節(jié)點(diǎn)進(jìn)行編碼。Attention 就是一個(gè)函數(shù)$f』(h_t)=r_{t+1}$, 輸入的是 t 時(shí)刻的隱藏狀態(tài)，輸出一個(gè) rank vector，告訴我們下一步我們應(yīng)該優(yōu)先考慮哪種類(lèi)型的節(jié)點(diǎn)。

框架

這里簡(jiǎn)單的介紹一下 Hamilton 在論文 [1] 中提出的一種圖嵌入 encoder-decoder 框架(如圖)，可以將大多數(shù)的圖嵌入方法用這個(gè)框架來(lái)表示。在這個(gè)框架中，我們圍繞兩個(gè)關(guān)鍵的映射函數(shù)組織了各種方法：一個(gè) encoder(它將每個(gè)節(jié)點(diǎn)映射到一個(gè)低維向量) 和一個(gè) decoder(它從已知的嵌入中解碼關(guān)于圖的結(jié)構(gòu)信息)。encoder-decoder 背后的直覺(jué)想法是這樣的:如果我們能從低位嵌入表示中學(xué)會(huì)解碼高維圖信息，如節(jié)點(diǎn)在圖中的全局位置或節(jié)點(diǎn)的局部鄰域結(jié)構(gòu)，那么原則上，這些嵌入應(yīng)包含下游機(jī)器學(xué)習(xí)任務(wù)所需的所有信息。

 

 

encoder 是一個(gè)函數(shù)：

 

 

將節(jié)點(diǎn) i 映射到嵌入向量$z_i \in R^d$。decoder 是接受一組節(jié)點(diǎn)嵌入并從這些嵌入中解碼用戶(hù)指定的圖統(tǒng)計(jì)數(shù)據(jù)的函數(shù)。例如，decoder 可能根據(jù)節(jié)點(diǎn)的嵌入預(yù)測(cè)節(jié)點(diǎn)之間是否存在邊，或者可能預(yù)測(cè)圖中節(jié)點(diǎn)所屬的社區(qū)。原則上，有許多 decoder 都是可以使用的，但是在大多數(shù)工作中使用的是成對(duì) decoder：

 

 

當(dāng)我們將成對(duì) decoder 應(yīng)用于一對(duì)嵌入$(z_i,z_j)$時(shí)，我們得到了原始圖中$v_i$和$v_j$之間相似性的重構(gòu)，目標(biāo)就是最小化重構(gòu)后的相似性和原圖中相似性的誤差：

 

 

其中其中 SG 是一個(gè)用戶(hù)定義的、在圖 G 上的的節(jié)點(diǎn)間相似性度量。換句話(huà)說(shuō)，目標(biāo)是優(yōu)化 encoder-decoder 模型，可以從低維節(jié)點(diǎn)嵌入 z_i 和 z_j 中解碼出原始圖中 SG(v_i, v_j) 成對(duì)節(jié)點(diǎn)相似性。例如可以設(shè) SG(v_i, v_j)=A_{ij}，如果節(jié)點(diǎn)相鄰則定義節(jié)點(diǎn)的相似度為 1，否則為 0�；蛘呖梢愿鶕�(jù)在圖 G 上的固定長(zhǎng)度隨機(jī)游走 v_i 和 v_j 共線(xiàn)的概率來(lái)定義 SG。在實(shí)踐中，大多數(shù)方法通過(guò)最小化節(jié)點(diǎn)對(duì)集合 D 上的經(jīng)驗(yàn)損失 L 來(lái)實(shí)現(xiàn)重構(gòu)目標(biāo)：

 

 

優(yōu)化了上述目標(biāo)函數(shù)后，我們就可以使用經(jīng)過(guò)訓(xùn)練的 encoder 為節(jié)點(diǎn)生成嵌入，然后可以將其用作下游機(jī)器學(xué)習(xí)任務(wù)的特征輸入。下表展示了常用圖嵌入方法的 encoder-decoder 框架描述。

 

 

總結(jié)

圖嵌入是指將圖中節(jié)點(diǎn)用低維稠密向量來(lái)表示，從一開(kāi)始的基于矩陣分解的方法逐漸出現(xiàn)了基于隨機(jī)游走的方法，后來(lái)又演化出基于神經(jīng)網(wǎng)絡(luò)的方法也是我們經(jīng)常聽(tīng)到的圖神經(jīng)網(wǎng)絡(luò)。圖嵌入目前還面臨著一些挑戰(zhàn)，例如如何在超大規(guī)模圖上高效進(jìn)行分析，如何應(yīng)對(duì)真實(shí)世界中不斷變化的動(dòng)態(tài)圖，如何對(duì)圖神經(jīng)網(wǎng)絡(luò)的黑盒模型進(jìn)行解釋?zhuān)�以及如何建模異質(zhì)圖。目前在圖網(wǎng)絡(luò)領(lǐng)域也涌現(xiàn)出一些新的方向，例如如何針對(duì)圖網(wǎng)絡(luò)進(jìn)行對(duì)抗攻擊使其模型性能大幅下降，相反的就是如何提高模型的魯棒性;如何將人工設(shè)計(jì)網(wǎng)絡(luò)架構(gòu)轉(zhuǎn)變?yōu)橛蓹C(jī)器自動(dòng)設(shè)計(jì)，這對(duì)應(yīng)著網(wǎng)絡(luò)結(jié)構(gòu)搜索問(wèn)題(NAS)，以及如何將圖網(wǎng)絡(luò)和計(jì)算機(jī)視覺(jué)、自然語(yǔ)言處理等方向結(jié)合起來(lái)。這些都是很有價(jià)值也有意思的方向，感興趣的讀者可以進(jìn)行更深度的研究。

參考文獻(xiàn)：

[1] Hamilton, William L., Rex Ying, and Jure Leskovec. "Representation learning on graphs: Methods and applications." arXiv preprint arXiv:1709.05584 (2017).

[2] Goyal, Palash, and Emilio Ferrara. "Graph embedding techniques, applications, and performance: A survey." Knowledge-Based Systems 151 (2018): 78-94.

[3] Roweis, Sam T., and Lawrence K. Saul. "Nonlinear dimensionality reduction by locally linear embedding." science 290.5500 (2000): 2323-2326.

[4] Belkin, Mikhail, and Partha Niyogi. "Laplacian eigenmaps and spectral techniques for embedding and clustering." Advances in neural information processing systems. 2002.

[5] Shaw, Blake, and Tony Jebara. "Structure preserving embedding." Proceedings of the 26th Annual International Conference on Machine Learning. ACM, 2009.

[6] Cao, Shaosheng, Wei Lu, and Qiongkai Xu. "Grarep: Learning graph representations with global structural information." Proceedings of the 24th ACM international on conference on information and knowledge management. ACM, 2015.

[7] Perozzi, Bryan, Rami Al-Rfou, and Steven Skiena. "Deepwalk: Online learning of social representations." Proceedings of the 20th ACM SIGKDD international conference on Knowledge discovery and data mining. ACM, 2014.

[8] Grover, Aditya, and Jure Leskovec. "node2vec: Scalable feature learning for networks." Proceedings of the 22nd ACM SIGKDD international conference on Knowledge discovery and data mining. ACM, 2016.

[9] Lee, John Boaz, et al. "Attention models in graphs: A survey." arXiv preprint arXiv:1807.07984 (2018).

[10] Veli?kovi?, Petar, et al. "Graph attention networks." arXiv preprint arXiv:1710.10903 (2017).

[11] F.Chen,S.Pan,J.Jiang,H.Huo,G.Long,DAGCN:DualAttention

Graph Convolutional Networks, arXiv. cs.LG (2019).

標(biāo)簽： 數(shù)據(jù)結(jié)構(gòu) 

版權(quán)申明：本站文章部分自網(wǎng)絡(luò)，如有侵權(quán)，請(qǐng)聯(lián)系：west999com@outlook.com
特別注意：本站所有轉(zhuǎn)載文章言論不代表本站觀點(diǎn)！
本站所提供的圖片等素材，版權(quán)歸原作者所有，如需使用，請(qǐng)與原作者聯(lián)系。