1矢渊、圖神經(jīng)網(wǎng)絡(luò)有什么優(yōu)勢(shì)？
經(jīng)典的深度學(xué)習(xí)方法（比如DNN施籍、RNN濒析、CNN）能夠有效的處理原始的輸入，比如語音蝌焚、圖片裹唆、文本，但對(duì)于上面的圖結(jié)構(gòu)信息只洒，就不是很有效了品腹。這樣就引入了本文的主角-圖神經(jīng)網(wǎng)絡(luò)。圖神經(jīng)網(wǎng)絡(luò)的應(yīng)用場(chǎng)景非常廣泛红碑，比如舞吭，社交網(wǎng)絡(luò)（用戶節(jié)點(diǎn)泡垃，關(guān)系為邊）、電子購物（用戶為和商品為節(jié)點(diǎn)羡鸥，用戶與商品之間的聯(lián)系為邊）蔑穴、化學(xué)分子（原子為節(jié)點(diǎn)，化學(xué)鍵為邊）惧浴。
2存和、圖神經(jīng)網(wǎng)絡(luò)中的圖是什么圖？
圖神經(jīng)網(wǎng)絡(luò)中使用的是經(jīng)典數(shù)據(jù)結(jié)構(gòu)與算法中的圖衷旅。
3捐腿、圖神經(jīng)網(wǎng)絡(luò)的基本框架是怎樣的？
圖G=（V柿顶，E）茄袖，很顯然，圖神經(jīng)網(wǎng)絡(luò)就是把整個(gè)圖G嘁锯、每個(gè)節(jié)點(diǎn)V宪祥、每條邊E轉(zhuǎn)化為稠密向量。當(dāng)然沒必要每次都把G家乘、V蝗羊、E都進(jìn)行向量化，哪部分向量化取決于實(shí)際的應(yīng)用場(chǎng)景仁锯。一般來說主要包含三類任務(wù)：
①節(jié)點(diǎn)層面的任務(wù)：
比如文章最開始提到的引文網(wǎng)絡(luò)中耀找，節(jié)點(diǎn)論文的分類，社交網(wǎng)絡(luò)中用戶標(biāo)簽的分類等业崖。此時(shí)野芒，主要關(guān)注節(jié)點(diǎn)和邊層面的特征。
②邊層面的任務(wù)
比如社交網(wǎng)絡(luò)中腻要，將用戶作為節(jié)點(diǎn)复罐，用戶之間的關(guān)注關(guān)系建模為邊涝登，通過邊預(yù)測(cè)實(shí)現(xiàn)社交用戶的推薦雄家。此時(shí)，主要關(guān)注節(jié)點(diǎn)和邊的特征胀滚。
③圖層面的任務(wù)
比如對(duì)藥物分子的分類趟济。此時(shí)，任務(wù)不依賴于某個(gè)節(jié)點(diǎn)或某條邊的屬性咽笼，而是顷编，需要考慮整個(gè)圖的信息。
4剑刑、圖嵌入媳纬、圖神經(jīng)網(wǎng)絡(luò)双肤、圖卷積是什么關(guān)系？
以下都屬于圖神經(jīng)網(wǎng)絡(luò)：
①圖嵌入（Graph Embedding）（基于深度學(xué)習(xí)的圖嵌入）钮惠、
②圖神經(jīng)網(wǎng)絡(luò)（GNN）我的研究重點(diǎn)Ｃ┟印！素挽！（如Point GNN：使用圖神經(jīng)網(wǎng)絡(luò)的3d目標(biāo)檢測(cè)方法）蔑赘、
GNN比較經(jīng)典的是這篇《The Graph Neural Network Model》
③圖卷積（GCN）
經(jīng)典的空域GCN是這篇《Learning Convolutional Neural Networks for Graphs》：
https://tkipf.github.io/graph-convolutional-networks/
論文對(duì)應(yīng)PPT：
extension://bfdogplmndidlpjfhoijckpakkdjkkil/pdf/viewer.html?file=http%3A%2F%2Fwww.matlog.net%2Ficml2016_slides.pdf
