Skip to content
返回搜索结果

图神经网络

提出者
Kipf, T.N. & Welling, M.
年份
2017
类型
Deep learning on graph-structured data

本文为机器翻译,尚未经过审校。 阅读英文原文

字号

科学审查待完成。

声称存在通用 GNN 样本量阈值的部分在科学审查完成前暂不显示。原始研究并未确立通用的适用阈值。 比较来源

它有什么作用?

图神经网络(GNN)是一种深度学习方法,由Kipf和Welling在2017年通过图卷积网络(Graph Convolutional Network)推广开来,它从由节点和边组成的网络(图)结构中的关系中学习。它适用于自然关系型数据,如社交网络、分子结构和推荐系统。

方法背后的直觉

许多类型的数据并非独立的行组成的扁平表格,而是相互连接的实体构成的网络:通过友谊连接的人,通过化学键连接的原子,通过共同购买行为连接的商品。GNN认真对待这种连通性。它不孤立地看待每个节点,而是让每个节点倾听其邻居的声音,并根据周围环境更新自身的表示,从而使图的结构本身成为模型学习的一部分。

历史学

图神经网络随着Kipf和Welling在2017年提出的图卷积网络进入主流,该网络将图上的学习框架化为一种基于邻域的卷积。Veličković及其同事在2018年通过图注意力网络(Graph Attention Networks)扩展了这一想法,让节点可以对邻居赋予不同的权重。Hamilton在2020年的专著《图表示学习》(Graph Representation Learning)巩固了该领域,此后GNN已成为关系数据的标准工具。

何时使用

本节有待科学审查。请勿将其中的条件用作方法选择规则。

原文待审查

局限与注意事项

  • 来源未说明局限;是否适用需另行评估。

来源中的条件不能替代独立的科学审查或分析引擎的验证。

优势

  • 直接从关系结构中学习,而不是将数据强行塞入扁平的行。
  • 自然适用于社交网络、分子结构和推荐系统。
  • 对特征分布的假设较少;处理连续、分类和二元节点特征。
  • 捕捉节点上下文——其在图中的邻域——如何影响其行为。

应用

  • 社交网络中的节点和链接分析。
  • 分子结构上的性质预测。
  • 基于用户-物品交互图的推荐系统。
  • 解释和学习任何自然连接数据集中的关系。

使用方式

使用方式

1
公式
h_v^{(l+1)} = \sigma\!\left(\sum_{u \in \mathcal{N}(v)} \frac{1}{c_{vu}} W^{(l)} h_u^{(l)}\right)

相关方法

参考文献

  1. Kipf, T.N. & Welling, M. (2017). Semi-Supervised Classification with Graph Convolutional Networks. ICLR.

    打开出版物文献
    已复制。
  2. Veličković, P. et al. (2018). Graph Attention Networks. ICLR.

    打开出版物文献
    已复制。
  3. Hamilton, W.L. (2020). Graph Representation Learning. Morgan & Claypool.

    打开 DOI 文献
    已复制。