《Graph Representation Learning》【1】——Introduction

《Graph Representation Learning》

《Graph Representation Learning》。Hamilton大神的书。

Abstract

这本书的目标是提供一个图形表示学习的综合和概述。我们首先讨论图表示学习的目标，以及图论和网络分析的关键方法论基础。在此基础上，我们介绍并回顾了节点嵌入的学习方法，包括基于随机游走的方法及其在知识图中的应用。然后，我们对高度成功的图形神经网络（GNN）形式进行了技术综合和介绍，它已成为图形数据深度学习的主导和快速发展的范例。这本书最后综合了图形的深层生成模型的最新进展，这是一个新生的，但快速增长的图形表示学习子集。

1 Introduction

图是一种普遍存在的数据结构，是描述复杂系统的通用语言。图（Graph）是对象（即节点）的集合，以及这些对象对之间的一组交互（即边）。

图的力量在于它关注点之间的关系（而不是单个点的属性），以及它的一般性。

研究人员不缺乏有意义的可进行分析的图数据，挑战在于如何发掘这些图数据的潜力。

虽然机器学习并不是唯一可用的方法，但是鉴于我们所要分析的图形数据集的规模和复杂性不断增加，机器学习显然可以提高我们建模、分析和理解图形数据的能力。

1.1 What is a graph?

图的定义：$G=(V,E)$。基本概念就不赘述了。。。

在许多情况下，我们只关心简单图（simple graph），其中每对节点之间有一条边，一个节点和它本身之间没有边，并且这些边都是无向的。

此外，还有有向图（directed）、带权图（weighted）等。

1.1.1 Multi-relational Graphs

多关系图，具有多种不同类型边的图。

为了表达出多种关系（relation）：
边的定义：$(u,\tau ,v)\in E$，$\tau$代表某种关系。
邻接矩阵：为每一类关系都定义一个$A_{\tau }$。$A\in R^{|V|\times |R|\times |V|}$

多关系图主要分为2类：
（1）异构图（Heterogeneous graphs）
（2）多重图（Multiplex graphs）

1.1.2 Feature Information

在许多情况下，我们还拥有与图相关联的属性或特征信息。这些通常是节点级属性，我们使用实值特征矩阵$X\in R^{|V|\times m}$来表示。

Graph or network?
我们使用图（Graph）来描述抽象的数据结构，这是本书的重点，但我们也经常使用网络（Network）来描述这种数据结构的具体、真实的实例。

1.2 Machine learning on graphs

图上的机器学习问题常常模糊了传统机器学习类别之间的界限。我们无法清晰的区分这个任务到底是监督、半监督或者无监督学习。下面将主要介绍一些比较流行的图学习任务。

1.2.1 Node classification

节点分类的目标是预测节点的标签（label）。在这类任务中，一般只给很小的节点子集进行标注。

乍一看，节点分类似乎是标准监督分类的一个直接变体，但实际上有大的不同。最重要的区别是图中的节点不是独立同分布的，即不满足$(i.i.d.)$。我们不是对一组$(i.i.d.)$数据点进行建模，而是对一组相互连接的节点进行建模。

因此，比较好的方法是先是利用节点之间的连接关系进行建模，给相邻节点分配相似的label，或者给具有相似局部结构的节点分配相似的label。

1.2.2 Relation prediction

如果图中本身就缺少很多关系（边）呢？我们就需要对图中缺失的边进行补全了。
这个任务有许多名称，如链接预测、图生成和关系推理，具体取决于特定的应用领域。我们将简单地称之为关联预测或关系预测（relation prediction）。
关系预测的目标是预测图中丢失的边。

1.2.3 Clustering and community detection

社区检测（Community detection），是一种无监督的聚类。
它将节点分为不同的簇（cluster），以此来推断潜在的社区结构。

1.2.4 Graph classification, regression, and clustering

图分类是在具有多个图的集合中，对每一张图进行预测任务。

因为图之间是相互独立的，在所有关于图的机器学习任务中，图回归和分类可能是标准监督学习最直接的类比。每个图都是一个与标签相关联的$(i.i.d.)$数据点，目标是使用一组带标签的训练点从数据点学习出label。