自 2012 年以来,深度学习在计算机视觉以及自然语言处理两个领域取得了巨大的成功。和传统方法相比,它好在哪里呢?卷积神经网络很好,但是它研究的对象还是限制在 Euclidean domains 的数据。但是,我们的现实生活中有很多数据并不具备规则的空间结构,称为 Non Euclidean data。比如推荐系统、电子交易、计算几何、脑信号、分子结构等抽象出的图谱。总的来说,在图数据里面,我们要同时考虑到节点的特征信息以及结构信息,如果靠手工规则来提取,必将失去很多隐蔽和复杂的模式,那么有没有一种方法能自动化地同时学到图的特征信息与结构信息呢?——图卷积神经网络
关于 GCN 有很多有趣的东西,技术专栏《 Graph Learning 》会分享给大家更加全面的图学习算法。
第一章 图及其应用场景
第二章 图的传播算法
第三章 社群检测以及高密子图
第四章 异构信息网络
第五章 图表示学习
第六章 图卷积神经网络