|
近年来，图神经网络（GNNs）在社交网络、知识图谱、推荐系统甚至生命科学等各个领域得到越来越广泛的应用。本文将对图神经网络的一般框架，即消息传递形式体系，进行介绍；并在此基础上讨论一些基础的图神经网络模型。 ——内容—— 深度学习在许多领域取得了可喜的进展，如计算机视觉和自然语言处理。这些任务中的数据通常在欧几里得域中表示。然而，许多学习任务需要处理包含丰富元素间关系信息的非欧几里得的图数据，如建模物理系统、学习分子指纹、预测蛋白质界面等[1]。图神经网络（GNNs）是图域上的深度学习模型，由于其令人信服的性能和较高的可解释性，已成为近年来广泛应用的图分析方法[2]。这文提供了对图神经网络的基本概念、模型和应用的简单介绍，主要从消息传递的基本概念开始呈现图神经网络的基本框架，旨在为读者提供一个一般性的概述。然后介绍三个不同的图神经网络变体：图卷积神经网络、图循环神经网络、图注意力神经网络。这些变体是各种不同深度学习技术在图上的推广，是机器学习在非欧流形的普及。目前，图神经网络在结构场景（物理、化学、知识图）、非结构场景（图像、文本）和其他场景（生成模型、组合优化）中都有广泛的应用，并取得了不错的进展。希望此文对想要学习图神经网络的读者有所帮助。 |
|
|
