前沿

本专题是我专门开设的学习图神经网络的专题，最近处于学习的空档期，希望针对图和强化能够有一个较为深入的学习和了解，现在针对图神经网络给出当前查阅的一些资料，后面会给出总结和学习的记录。

图神经网络的优势

解决当前的主流神经网络无法解决提取图特征的问题，或者提取的特征效果不好的原因。

图神经网络的图

这里面的图指的是数据结构和离散数学中的图

图神经网络的基本框架

针对图数据，神经网络的目标是将目标转化为向量。
具体化为两个问题：
1.把什么转为向量？
2.怎么转化为向量？
分为三个层面的预测任务？

• 节点层面
• 边层面
• 图层面

梳理一下图嵌入，图神经网络，图卷积的关系

图神经网络一般指的是GNN和GCN。图嵌入则属于一个相对独立的领域。

图嵌入

• 节点分类
• 链接预测
• 聚类
• 可视化

方法主要分为三类：

• 基于因子的分解的方法
• 基于随机游走的方法
• 基于深度学习的方法

图嵌入发展较早，在早期是一个相对独立的领域。具体可以参考《图嵌入（Graph embedding）综述》：https://zhuanlan.zhihu.com/p/62629465。

图嵌入比较经典的是DeepWalk，基本思想类似词向量训练，具体可以参考《【论文笔记】DeepWalk》：https://zhuanlan.zhihu.com/p/45167021

图神经网络

学习思路：
许多 GNN 的介绍都用大篇幅去死磕 spectral based 的 GCN。但笔者认为这是本末倒置的行为，忽略了前沿工作里面的许多思想精华。Lecun 的 spectral GCN 是非常经典的工作，但是文章写得晦涩难懂，前置知识也太多，方法的实用性也不大。而且现在主流的方法都是以 spatial 为主的。所以建议初学者还是先学习 spatial 的 model，里面有很多做 DL 的人熟知的套路，接受起来也比较容易。等对整个领域建立起基本的 sense 之后，spectral GCN 以及其背后的 spectral graph theory 不失为一个继续深入的好选择。
经典工作

• The Graph Neural Network Model
• GNN的简介

综述

• graph neural networks: a review of methods and applications
• Deep Learning on Graphs: A Survey
• A comprehensive survey on Graph Neural Networks
• 机器之心的解读

图卷积网络

GCN分为谱域GCN（Spectral）和空域GCN（Spatial），其中，谱域GCN发展较早，但主要思想基于图的信号处理，理论方面较难理解，很多初学者觉得图网络对数学要求较高，多半是直接从谱域GCN切入的。实际上对于图网络的初学者，建议可以先跳过谱域GCN，等对图网络有较好的理解后，再回过头来看谱域的GCN。

spatial GCN

• Learning Convolutional Neural Network for Graphs
• 论文笔记：Learning Convolutional Neural Network for Graphs
• PPT讲解：Learning Convolutional Neural Network for Graphs

spectral GCN

• Semi-Supervised Classification with Graph Convolutional Networks
• 阅读笔记：Semi-Supervised Classification with Graph Convolutional Networks

典型文章

• spam review dectection with graph convolutional networks
• abusive language detection with graph convolutional networks

参考链接：

EddyLiu 图神经网络入门