本文主要介绍了2021年最新的图神经网络综述,是入坑的最佳材料。
![](https://img-blog.csdnimg.cn/img_convert/42233f9bb769b3adddd3848b07861a95.png)
图神经网络已经成为深度学习领域最炙手可热的方向之一了,也是各大互联网公司非常欢迎的方向。
A Survey on Heterogeneous Graph Embedding
![](https://img-blog.csdnimg.cn/img_convert/3932a50d6cecfddaef189324eaa3a249.png)
本文来自图挖掘大牛Philip S. Yu老师和在异质图领域深耕的北邮Chuan Shi教授。一作Xiao Wang是图挖掘的Rising Star。图神经网络大部分的研究是针对简单同质图设计的。然后,在工业实际场景下,数据往往更加复杂,是包含多种类型节点和边的异质图。例如,电商推荐实际是预测用户-商品之间的边。因此,异质图神经网络更具有实际经济价值。
本文分类梳理了异质图神经网络及表示学习最新的进展,包括模型,应用及相关的资源(数据&代码)。非常值得一看~
![](https://img-blog.csdnimg.cn/img_convert/a6dbaed51ee9b7bd777d5747665aa005.png)
![](https://img-blog.csdnimg.cn/img_convert/1140b1b8a4e4fc270a4d79cd754ca098.png)
论文链接:http://shichuan.org/doc/95.pdf
Graph Self-Supervised Learning: A Survey
本文来自图挖掘大牛Philip S. Yu老师和学术新秀 Shirui Pan,主要介绍了图上自监督学习的最新进展。自监督学习这1,2年非常火,当然也免不了蔓延到图神经网络领域。例如,图神经网络预训练模型基本都是采用自监督训练的。
![](https://img-blog.csdnimg.cn/img_convert/1eb8f4d113fe3e931345004d991dc279.png)
![](https://img-blog.csdnimg.cn/img_convert/b1c4a21b3d8076b5f968659d0b448e39.png)
![](https://img-blog.csdnimg.cn/img_convert/3ef94367b11d2029a5e5565dc1359035.png)
论文链接:https://arxiv.org/pdf/2103.00111.pdf
Meta-Learning with GNNs:Methods&Applications
图神经网络与元学习结合的相关模型及应用。图神经网络经过这几年的发展,已经逐渐进入了深水区。一些研究者便将其与多种传统技术如元学习结合,弯道超车,也发了一些顶会论文。
![](https://img-blog.csdnimg.cn/img_convert/e4f592cc1758f7ab1b1a7a914ec57336.png)
![](https://img-blog.csdnimg.cn/img_convert/b719de20197ceb4cc7474a144fc67cb9.png)
![](https://img-blog.csdnimg.cn/img_convert/5c51e9f7eb4d2d6dcaab0c2772232a7a.png)
论文链接:https://arxiv.org/pdf/2103.00137.pdf
Automated Machine Learning on Graphs: A Survey
本文来自清华大学朱文武团队。与传统深度学习算法类似,图深度学习(包括图表示学习和图神经网络)也不可避免的需要调整大量超参数。AutoML可以实现自动超参数搜索,本文则是集中梳理了图上的自动机器学习技术。
![](https://img-blog.csdnimg.cn/img_convert/ab0d483922662c00942c8117ce7b7495.png)
![](https://img-blog.csdnimg.cn/img_convert/53447fe8442640b9e5cdd38d9bd258f3.png)
论文链接:https://arxiv.org/pdf/2103.00742.pdf