A Comprehensive Survey on Graph Neural Networks
原文链接 https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=9046288
图是现实社会中最常见的数据结构,每一个个体都可以看作点,每一个联系都可以看作边,无数种实体关系可以由图来表示,并通过图算法进行分析。
神经网络对对于向量是友好的,图的点和边都可以表达为向量。
为什么要有GCN,CNN哪里不行
原因在于CNN无法处理非欧氏空间的数据
在电子商务中,一个基于图(Graph)的学习系统能够利用用户和产品之间的交互来做出非常准确的推荐,但图的复杂性使得现有的深度学习算法在处理时面临着巨大的挑战。这是因为图是不规则的,图中的每个节点都有不同数量的相邻节点,导致一些重要的操作(例如卷积)在图像(Image)上很容易计算,但不再适合直接用于图。
此外,现有深度学习算法的一个核心假设是数据样本之间彼此独立。然而,对于图来说,情况并非如此,图中的每个数据样本(节点)都会有边与图中其他实数据样本(节点)相关,这些信息可用于捕获实例之间的相互依赖关系。