2.5　图神经网络

神经网络的成功推动了对模式识别和数据挖掘的研究，许多机器学习任务，如对象检测、语音识别等，这些任务曾经高度依赖人工的特征工程来提取信息特征集，现在已经由卷积神经网络、循环神经网络（Recurrent Neural Network，RNN）等各种深度学习方法来实现，取得了巨大的成功。

但是深度学习的应用数据往往都是在高维特征空间上满足特征规则分布的欧几里得数据，而如今越来越多的应用数据以图的形式来表示。例如，在电子商务系统中，基于图形的学习系统可以利用用户和产品之间的联系做出高准确度的建议；在引文网络中，论文通过引文相互链接，需要将它们分类为不同的组。

由于图可能是不规则的，因此图可能具有可变大小的无序节点，并且图中的节点可能具有不同数量的邻居，从而导致一些重要的操作（例如，卷积）在图像域中易于计算，但很难应用于图域。图数据的复杂度对现有的机器学习算法提出了重大挑战。此外，现有机器学习算法的核心假设是实例间彼此独立。这种假设不再适用于图数据，因为每个实例（节点）通过各种类型的链接（例如，引文、友谊和交互）与其他实例（节点）相关联。

近年来，人们对深度学习方法在图上的扩展越来越感兴趣。在多方因素的成功推动下，研究人员借鉴了卷积网络、循环网络和深度自动编码器的思想，定义和设计了用于处理图数据的神经网络结构，由此诞生了一个新的研究热点——“图神经网络（Graph Neural Network，GNN）”。本章对图神经网络做一个简单的概述。