综述 | 生成对抗网络（GAN）在图网络中的应用

导语: 生成对抗网络（Generative Adversarial Network，简称GAN）是非监督式学习的一种方法，通过让两个神经网络相互博弈的方式进行学习。自2014年GAN网络提出以来，其在Computer Vision（计算机视觉）领域获得了广泛的关注，但GAN网络在其他领域的应用相对较少。将GAN网络的思想应用在图网络（network）特征表达是近一年新兴的课题，本文综述GAN模型在图网络表征学习方面的研究。

背景介绍

网络表征学习(Graph Representation Learning、 Network Embedding、 Graph Embedding)的主要目的在于，将图中每一个节点都映射到一个低维向量空间，使得其在此空间内保持原有图的结构和距离信息。直观理解是，靠近的两个点在低纬空间中的距离接近。如下图所示（边上的数字代表边的长度）。

对于图表征学习的研究从很早就开始了，从最简单的邻接矩阵（Adjancency Matrix）表示，到后面对邻接矩阵进行矩阵分解（SVD），再到前几年比较火的基于随机游走的方法（DeepWalk、Node2Vec）以及最近基于深度网络的Graph Neural Network和基于注意力机制的Graph Attention Network模型，其目的都在于将网络结构映射到低维空间以应用到多项任务中，如链路预测、节点分类等等。

本文主要介绍生成对抗网络模型（Generative Adversarial Network）在图表征学习中的最新进展。本文中，网络模型如neural network中的network均称为模型；网络结构如social network中的network均称为图网络。

GraphGAN模型

论文[1]将图表征学习的方法分为两类，第一类叫生成式（generative）模型，第二类叫判别式（discriminative）模型。

生成式模型假设每一个节点都有一个潜在的概率分布，这个概率分布可以体现出该节点和其他每一个节点的连接情况。生成式模型的主要目的就是为图网络中的节点找到一个尽可能接近该潜在概率分布的向量表征。论文[1]中对这个潜在概率分布的表示为Ptrue(V|Vc)，其中Vc表示正在观测的节点，Ptrue(V|Vc) 就是指在除了 Vc 之外其他节点（V）与Vc之间构成一条边的概率。

判别式模型是指，模型直接去学习两个节点之间有边的概率。这种方法会将边<Vi, Vj>的两个定点Vi 和 Vj 联合作为 feature，然后输出的是边<Vi, Vj>存在的概率 P(<Vi, Vj>|Vi, Vj)。判别式模型往往是有监督的。

GraphGAN即为生成式模型和判别式模型的结合，其包含两个重要部分，即生成器G(v|v_c ; θ_G) 和判别器D(v|v_c ; θ_D)。生成器为每一个节点维护一个向量，这些向量组合在一起构成θG。G(v|v_c ; θ_G) 表示生成器认为给定节点Vc和参数θ_G下，V与Vc之间有一条边的概率。G(v|v_c ; θ_G) 的目的就是通过学习去逼近真实分布Ptrue(V|Vc)。判别器也为每一个节点维护一个向量，这些向量组合在一起构成θ_D。D(v|v_c ; θ_D)通过向量θ_D来判断V与Vc之间是否有一条边。