时序图 循环_【GCN】不同类型的图

本文是清华大学刘知远老师团队出版的图神经网络书籍《Introduction to Graph Neural Networks》的部分内容翻译和阅读笔记。个人翻译难免有缺陷敬请指出，如需转载请联系翻译作者
作者：Riroaki
原文：https://zhuanlan.zhihu.com/p/147696322

目录

• 往期文章传送门

• 有向图(Directed Graph)

• 异构图(HETEROGENEOUS GRAPHS)

• 带有边信息的图(GRAPHS WITH EDGE INFORMATION)

• 动态图(Dynamic Graphs)

• 多重边图(Multi-dimensional Graphs)

在此前介绍的所有工作基本上都围绕无向的、节点自带标签信息的简单图结构展开，而这一部分我们将探讨更多种类的图结构与相关的工作。

有向图(Directed Graph)

第一个变种，有向图，在边上增加了方向信息。实例如知识图谱中头实体指向尾实体的关系就是一个有向的边，它说明对两个方向的传播应当区别对待。

关于有向图，这里介绍密集图传播(Dense Graph Propagation，DGP)。对于每个目标节点，它都从其所有后代和祖先那里接收知识信息，为此设计了两个权重矩阵   来引入更精确的结构信息：

在上述传播过程中， 分别是正则化的父节点/子节点邻接矩阵；此外，DGP 提出一种对邻居节点的权重分配方式，可以使不同距离的节点产生不同的影响力：

其中 是邻接矩阵中包含父节点传播 步的子矩阵，而 是邻接矩阵中包含子节点传播 步的子矩阵，而 则为对应的度矩阵。

异构图(HETEROGENEOUS GRAPHS)

异构图指的是图中存在不同类型的节点和边(节点和边至少有一个具有多种类型)，常见于知识图谱的场景。最简单的处理异构信息的方式是使用独热编码类型信息并拼接在节点原有表示上。

GraphInception