本文是2016年NIPS上的论文
也是在graph上采用cnn进行了探讨。
思路看似十分简单:
对于一张graph而言,有N个node,每个node有F个feature,每个节点关注H hop以内的信息
架构:
对于 node classification
输入:H*N*N*F
第一层:(其实对于每个node而言,通过这一层的映射,会得到一个H*F的map。对于map上的每个元素,是这么得来的,对于这个node i,取H跳的所有邻居的第F个feature信息求和乘以权值w即可)(权值共享体现在同一跳的同一个feature权值一样)
这一层输出的是H*F的map
然后就是一个全连接层,就得到预测结果。
对于graph classification类似:
就是在node classification 的基础上,对于每个graph而言,通过这一层的映射,会得到一个H*F的map。对于map上的每个元素,是这么得来的,对于graph上的每个node i,取H跳的所有邻居的第F个feature信息求和,乘以权值w即可。