参考:图嵌入 (Graph Embedding) 和图神经网络 (Graph Neural Network) - Leo Van | 范叶亮
GE是为了学习graph中的节点低维向量表示,方便下游任务直接使用传统ML方法;同时部分GE所使用的方法用到了GNN,而GNN则直接使用图结构和节点特征进行节点分类、link predication、聚类和图分类。
对于图数据而言,图嵌入(Graph / Network Embedding)和图神经网络(Graph Neural Networks, GNN)是两个类似的研究领域。图嵌入旨在将图的节点表示成一个低维向量空间,同时保留网络的拓扑结构和节点信息,以便在后续的图分析任务中可以直接使用现有的机器学习算法。一些基于深度学习的图嵌入同时也属于图神经网络,例如一些基于图自编码器和利用无监督学习的图卷积神经网络等。下图描述了图嵌入和图神经网络之间的差异:
图神经网络(Graph Neural Network,GNN)最早由 Scarselli 等人 提出。图中的一个节点可以通过其特征和相关节点进行定义,GNN 的目标是学习一个状态嵌入 hv∈Rs 用于表示每个节点的邻居信息。状态嵌入 hv 可以生成输出向量 ov 用于作为预测节点标签的分布等。