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)
往期文章传送门
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:
![](https://i-blog.csdnimg.cn/blog_migrate/88a84f40f372b6e4e47f5939d82f7f78.png)
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:
![](https://i-blog.csdnimg.cn/blog_migrate/e5bab9a3c83a5dcde699fae465d09237.png)
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