《Graph Neural Networks Foundations,Frontiers and Applications》第一部分第一章第1.2.4节翻译和解读

书名：《Graph Neural Networks Foundations,Frontiers and Applications》(图神经网络的基础、前沿和应用)

出版社：Springer Berlin Heidelberg

作者：Lingfei Wu · Peng Cui · Jian Pei · Liang Zhao

红色部分为个人的一些解读，不足之处请多多指点！

第一部分 引言

第一章 表示学习

第1.2节 不同领域的表示学习

第1.2.4节 用于网络结构的表示学习

        除了图像、文本和声音等流行数据之外，网络数据也是另一种重要的数据类型，它在从网格网络（如社交网络、引文网络、电信网络等）到物理网络（如交通网络、生物网络等）的大规模现实应用中变得无处不在。网络数据可以用数学形式表示为图，其中顶点及其关系共同表示网络信息。网络和图是非常强大和灵活的数据形式，因此有时我们甚至可以将其他数据类型（如图像和文本）视为其特例。例如，图像可以被视为具有RGB属性的节点网格，这些属性是特殊类型的图，而文本也可以组织为顺序、树或图结构信息。因此，一般来说，网络表示学习被广泛认为是一项有前途但更具挑战性的任务，需要我们为图像、文本等开发的许多技术的进步和推广。除了网络数据固有的高复杂性之外，考虑到许多现实世界网络的大规模，从数百到数百万甚至数十亿个顶点，网络上的表示学习效率也是一个重要问题。分析信息网络在跨多个学科的各种新兴应用程序中发挥着至关重要的作用。例如，在社交网络中，将用户划分为有意义的社交群体对于许多重要任务都很有用，例如用户搜索、定向广