图神经网络（GNN）模型原理及应用综述

• 从数据结构到算法：图网络方法初探
• 论文《Graph Neural Networks: A Review of Methods and Applications》
• 木牛马论文阅读笔记https://www.cnblogs.com/ydcode/p/11050417.html
• https://zhuanlan.zhihu.com/p/102994627?utm_source=wechat_session

---

图神经网络（Graph Neural Networks，GNN）

---

1. GNN起源

1.1 动机一：CNN的缺陷

CNN的核心特点在于：局部连接(local connection)，权重共享(shared weights)和多层叠加(multi-layer)

这些同样在图问题中非常试用，因为图结构是最典型的局部连接结构，其次，共享权重可以减少计算量，另外，多层结构是处理分级模式(hierarchical patterns)的关键。

传统的深度学习方法被应用在提取欧氏空间数据的特征方面取得了巨大的成功，但许多实际应用场景中的数据是从非欧式空间生成的，传统的深度学习方法在处理非欧式空间数据上的表现却仍难以使人满意。

CNN只能在欧几里得数据(Euclideandata)，比如二维图片和一维文本数据上进行处理，而这些数据只是图结构的特例而已，对于一般的图结构，则很难使用

1.2 动机二：图嵌入的缺陷

图嵌入大致可以划分为三个类别：矩阵分解、随机游走和深度学习方法

图嵌入和GNN的区别