qq_40353662的博客

通常神经网络的输入是图片、字符或是声音信号，GNN的输入是图，这里的图并非是指图片，而是由节点和边组成的图。图中的节点代表了实体，包含了它们的属性，边则描述了实体之间的关系，知识图谱就是这样一张图。我们为什么需要图神经网络，与图片、语音、文字相比，图能表达的内容实在是太广泛了，大到社交网络中人与人之间的关系，小到化学分子的结构组成，现实生活中的地铁网络，包含器件布线的电路图，都可以是GNN的计算对象。有了图，我们就能完成许多奇妙的工作。将重点放在节点上，我们可以预测社交网络中用户的标签，判断账户是否为

定义：包含不同类型节点和链接的异构图像下面这个例子，是一个电影、导演和演员的异构图。第一个异构图的算法异构图图注意力机制Heterogeneous Graph Attention Networks首先看一下作者给的异构图的定义Node-level attention（节点级别的attention）通过meta-path:Movie-Director-Movie得到一个同构图，根据终结者的邻居节点（终结者2和泰坦尼克号）通过一种聚合的方式就可以学习到终结者的一个特征表示。这个就是节点级别的at

A Comprehensive Survey on Graph Neural Network（图神经网络综述）Recurrent Graph Neural Networks（1.递归图神经网络）Convolution Graph Neural Networks（2.卷积图神经网络）Graph Autoencoders（3.图自动编码器）Spatial-temporal Graph Neural Networks（4.时空图神经网络）**A Comprehensive Survey on Gr