一个aov网用邻接矩阵表示_学长侃技术图表示学习极简教程

作者：陈凌灏

单位：西安电子科技大学

转载请注明出处！

• 1 Introduction

• 2 基于图结构的表示学习

  • 2.1 DeepWalk

• 3 基于图特征的表示学习

  • 3.1 GCN

  • 3.2 GraphSAGE

  • 3.3 GAT

• 4 一些有参考意义的博客

• Appendix

---

图表示学习极简教程(知乎版): https://zhuanlan.zhihu.com/p/112295277

1 Introduction

        随着Deep Learning的爆火，图数据挖掘和CV、NLP等领域一样，存在着“爆发式”发展的趋势。更加准确地说，笔者认为图数据挖掘正处在爆发的前夜。本文主要从基于图结构的表示学习和基于图特征的表示学习两个角度简要介绍图表示学习的现状和自己的认识。

        在非图的表示学习中，研究者们主要考虑的是每一个研究对象的特征(姓名、年龄、身高等)信息。然而，研究对象是存在于客观世界的主体，存在一定的图结构信息(QQ、微信好友，师生关系等都构成了图网络)。如何对图结构进行表示学习以表示图的结构信息是一个很重要的topic。

        图表示学习的主要目标是：将结点映射为向量表示的时候尽可能多地保留图的拓扑信息。图表示学习主要分为基于图结构的表示学习和基于图特征的表示学习。如图1，基于图结构的表示学习对结点的向量表示只来源于图的拓扑结构( x 的邻接矩阵表达的图结构)，只是对图结构的单一表示，缺乏对图结点特征消息的表示。如图2，基于图特征的表示学习对结点的向量表示既包含了图的拓扑信息( x 的邻接矩阵表达的图结构)也包含了已有的特征向量(个维度为包含结点特征的向量，如姓名、年龄、身高等信息)。

图1：基于图结构的表示学习

图2：基于图特征的表示学习 通过上述的介绍，我们可以知道图表示学习的task就是用 个向量表示图上的 个结点，这样我们就可以将一个难以表达的拓扑结构转化为可以丢进炼丹炉的vector啦。

---

2 基于图结构的表示学习

        在我们的图表示学习中，我们希望Embedding出来的向量在图上“接近”时在向量空间也“接近”。对于第2个“接近”，就是欧式空间两个向量的距离。对于第一个“接近”，可以有很多的解释：

• 1-hop<