参考文献:Deep Learning on Graphs: A Survey
简介在图结构数据上使用深度学习的限制:
图的不规则性
与图像,音频或文本数据不同,图是一种不规则的数据结构。因此,对于神经网络难以定义对应的卷积或者池化操作。造成了几何上的深度学习问题。
图的不同结构和处理任务
图可能有多重结构,例如同构的或者异质的,加权的和不加权的,有符号的或者没符号的。对于图的处理包括对于节点的,节点分类和链路预测,对于图的,图分类和生成图。对于图不同的结构或者任务需要定义不同的模型来处理特定的问题。
可扩展性和并行化
大数据时代下网络规模非常大,因此需要设计一种可扩展的并且只有线性复杂度的模型。此外,图的节点和边需要建立在同一个模型上,并行化也是一个需要考虑的问题。
跨学科问题
不同领域的数据需要不同领域的知识来处理,因此模型需要考虑到各个领域的知识。
将已有的方法分为三类:
半监督的方法
无监督的方法
最近提出的方法
不同类方法的区别深度模型的解决的问题
对于节点
节点分类链路预测节点推荐对于图
图分类图属性预测生成图介观结构
社团检测