图卷积神经网络(GCNs)

此前答应撰写一篇关于graph网络的综述文章。由于深度学习技术的进步不断取得显著进展,推理能力的需求日益迫切,而知识图谱则成为实现这一目标的重要途径之一。如何从复杂图结构中提炼潜在知识的过程面临着极大的挑战性,而将图形式作为知识存储的主要媒介,结合深度学习这一信息抽取的核心技术,其结合方向无疑是必然趋势所在。以下将结合本人 previously阅读的一篇国外博客,为大家入门graph神经网络领域抛砖引玉

在开始之前, 再多提几句, 关于将graph与deep learning相结合开展工作的探索, 由于其名称命名往往显得不够具有鉴别性, 通常都是通过这几个关键词的巧妙组合来实现的: Graph, Neural, Network, Convolution 等等. 因此, 在论文名称上往往难以轻易辨识不同研究的核心内容.

前言

在现实世界中存在大量数据通常以图结构形式存在的情况。具体而言包括社交网络节点、知识图谱节点、蛋白质相互作用网络节点以及万维网网页节点等实例。值得注意的是近年来研究者们转向开发一种通用神经网络架构以处理此类数据。然而从深度学习的角度来看现有的基于核方法或基于图的正则化技术已经被归类为传统方法不再是我们讨论的重点领域。对于缺乏相关知识的研究人员也不必感到担忧。

GCNs:定义

由于大家的思想普遍是将CNN等神经网络的思想迁移到图上，并因此设计出