《Graph Neural Networks Foundations,Frontiers and Applications》第一部分第二章第2.3.1.1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

第二章 图表示学习

第2.3节 现代图嵌入

        为了很好地支持网络推理，现代图嵌入考虑了图中更丰富的信息。根据图表示学习中保留的信息类型，现有的方法可以分为三类：（1）保留图结构和属性的图嵌入；（2）带有侧面信息的图表示学习；（3）高级信息保留的图表示学习。在技术方面，采用不同的模型来纳入不同类型的信息或解决不同的目标。常用的模型包括矩阵分解、随机行走、深度神经网络及其变化。

第2.3.1节结构-属性保护的图形表示学习

        在图中编码的所有信息中，图的结构和属性是两个关键因素，在很大程度上影响着图的推理。因此，图表示学习的一个基本要求是适当地保留图的结构和捕捉图的属性。通常情况下，图结构包括一阶结构和高阶结构，如二阶结构和社区结构。不同类型的图有不同的属性。例如，有向图具有不对称的反证性质。结构平衡理论广泛适用于有符号图。

第2.3.1.1节保存结构的图形表示学习

        图形结构可以分为不同的组，以不同的粒度呈现。图表示学习中常用的图结构包括邻