图神经网络(GNN)有如下特点:
1、忽略节点的输入顺序;
2、在计算过程中,节点的表示受其周围邻居节点的影响,而图本身连接不变;
3、图结构的表示,使得可以进行基于图的解释和推理。
图神经网络(GNN)尚未解决的问题(局限性):
1、网络结构较浅,堆叠过多层数将导致所有顶点趋同(收敛至相同值);
2、对于非结构化场景没有通用有效的图生成方法;
3、数据的不规则性导致无法应用批量化处理,节点规模过大还会令Laplace算子计算困难;
4、对于动态图(节点变化)的引入,图神经网络(GNN)无法自适应地进行改变。
应用与表现
图神经网络(GNN)最主要是提供了图嵌入(Graph Embedding)这一可以用来进行图表征学习的技术,将传统的图分析引入,扩展了深度学习对于非欧几里得数据的处理能力,提供了对非规则数据提取特征的方法,它被广泛应用于社交网络,推荐系统,金融风控,物理系统,分子化学,生命科学,知识图谱,交通预测等领域。但对于非结构化数据(文本,图像),目前研究人员均有所尝试,但具体的应用成果比较少。
商业推荐
Ying R, He R, Chen K, et al. Graph convolutional neural networks for web-scale recommender systems[C]//Proceedings of the 24th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining. ACM, 2018: 974-983.
动作识别
Yan S, Xiong Y, Lin D. Spatial temporal graph convolutional networks for skeleton-based action recognition[C]//Thirty-Second AAAI Conference on Artificial Intelligence. 2018.
语义分析
Marcheggiani D, Titov I. Encoding sentences with graph convolutional networks for semantic role labeling[J]. arXiv preprint arXiv:1703.04826, 2017.
知识图谱
Dettmers T, Minervini P, Stenetorp P, et al. Convolutional 2d knowledge graph embeddings[C]//Thirty-Second AAAI Conference on Artificial Intelligence. 2018.
路况预测
Yu B, Yin H, Zhu Z. Spatio-temporal graph convolutional networks: A deep learning framework for traffic forecasting[J]. arXiv preprint arXiv:1709.04875, 2017.
基于会话推荐
Wu S, Tang Y, Zhu Y, et al. Session-based recommendation with graph neural networks[C]//Proceedings of the AAAI Conference on Artificial Intelligence. 2019, 33: 346-353.
分子优化
Jin W, Yang K, Barzilay R, et al. Learning multimodal graph-to-graph translation for molecular optimization[J]. arXiv preprint arXiv:1812.01070, 2018.