SXxtyz的博客

图神经网络的综述文章 图表征学习分为四种类型：基于图信号处理方法、基于矩阵分解的方法、基于随机游走的方法、基于深度学习的方法。 图神经网络的发展线 图学习及其应用 图在未来的发展方向 动态网络 生成图学习（图生成对抗网络） 公平图学习 图学习的可解释性 ...

转载自链接

符号图存在正负边。 在SGCN算法中，利用平衡理论在各个层之间聚合和传播信息。 设计SGCN的难点在于： 因为负向边与正向边本质上是不同的，如何正确地处理负向边？ 如何在同一个模型里边联合正向边和负向边来学习节点表征。 论文的主要贡献在于： 3. 基于平衡理论设计了SGCN算法。 4. 构建了SGCN的目标函数来高效地学习低维表征。 在论文的邻接矩阵中以111表示正向边，−1-1−1表示负向边，000表示无边。 在符号图中1和-1的语义是不同的，因此不能把所有的用户归为一类。 Q：什么是平衡理论？ A：

论文提出的算法主要是针对复杂的多重异构网络（即节点有属性，节点类型有多种，边的类型有多种）。算法名字叫做GATNE，可以分为直推式GATNE-T和归纳式GATNE-I。 每个节点的embedding包括base embedding和edge embedding。其中base embedding是用在共有的，edge embedding是针对不同类型的边构造的图生成的embedding。 对于GATNE-T算法，base embedding是通过网络结构直接训练生成的。edge embedding是在针对不同

因为在异构图中进行手动标注meta-path需要耗费大量的人力资源，所以本算法提出了通过学习meta-path的机制。 进行1×11\times 11×1的卷积，将所有的meta-path生成的图片进行存储（为了能够处理原先的边，特此引入了单位矩阵）。假设一共有nnn个图片，则进行1×1×n×C1\times 1\times n\times C1×1×n×C的卷积操作，其中CCC是通道数。生成的矩阵两者相乘即可。 上图为多长度的meta-path。 ...

论文实现了在异构图（节点和边的种类数大于2的图）实现Attention机制。 节点级别的：node-level Attention，学习节点和通过元路径与其相连的节点之间的重要程度。 语义级别的：semantic-level attention，学习不同元路径的重要程度。 不同的节点类型可能会有不同的特征空间。例如，人节点的属性有性别、姓名等，电影节点的属性有上映时间等。 异构图中有大量复杂且富含价值的语义信息，都是通过元路径来反映的。 semantic-level attention是用来学习每种元路径的