赵老师介绍什么的就不写了
学习图神经网络的目的
深度学习时代的迫切新需要
·许多实际应用场景中的数据是从非欧式空间生成的,如何将深度学习方法应用在图数据
·难度大:图的不规则性(无序节点、邻居数量不同)
·应用领域广泛:电子商务、金融风控、推荐系统、社交网络、医药分子预测
插一张PGL培训的图片:
·学术上也是新的热点(根据2020年NIPS和KDD收录的文章可知)
论文列表
图游走类模型.简单图
1.Node2vec:平衡同质性和结构性
2.LINE:1阶+2阶相似度
3.SDNE:多层自编码器
复杂图
4.Metapath2vec:异构图网络
5.TransE:知识图谱奠基,还有一系列的衍生文章
6.GAT:GNN+attention机制
7.GraphSAGE:归纳式学习框架
8.GCN:图卷积开山之作
9.GGNN:门控图神经网络
10.MPNN:空域卷积消息传递框架
再插一张PGL培训的图片:
GNN发展
2013 Spectral networks and locally connected networks on graphs
2013 Translating Embeddings for Modeling Multi-relational Data
2014 DeepWalk: Online Learning of Social Representations
2016 Semi-Supervised Classification with Graph Convolutional Networks
三篇survey:
A Comprehensive Survey on Graph Neural Networks
Deep Learning on Graphs: A Survey
Graph Neural Networks:A Review of Methods and Applications
一本书:
Introduction to Graph Neural Networks.
Zhiyuan Liu,Jie Zhou
清华大学刘知远教授的著作,目前还没有中文,知乎上有翻译
https://zhuanlan.zhihu.com/p/129305050