本文收录于KDD2018,作者来自于华盛顿州立大学。这篇文章也比较老了,也经常看到,了解一下思想。与当前我们所熟知的GCN、GAT等利用聚合一个节点的不规则邻域信息来获得graph embeeding不同,这篇文章的主要核心思想是将CNN直接运用到图卷积算法上,使得我们的图卷积成为一种规则的卷积运算。接下来作者还提出了一种子图训练方法,以此来解决大规模图数据占用过多内存的问题。
Model
文章比较老了,直接来看一下模型部分,要想让CNN直接用在图数据上,需要解决图数据的两个问题:
- 一个节点的邻域不是固定的,无法用通用卷积核来进行卷积
- 邻域节点不是有序的
以往的GCN等模型都是通过修改原始的卷积运算,使其适合于图形数据,本文通过对图进行变换以支持规则卷积的使用,具体来说,转换方式如下:
对于一个中心节点 v v