Graph Neural Networks: A Review of Methods and Applications-2018-arXiv论文阅读笔记_dynamic graph neural networks: a review of models,

首先决定看这篇论文是直接在知乎上搜索“图卷积”，看到的一篇总结：图神经网络综述：模型与应用 - 张俊的文章 - 知乎。这篇总结主要是总结了标题中这篇论文大概都介绍了什么，于是觉得这篇论文很有必要阅读。

1. Introduction

图神经网络的应用

图是一种数据结构，能够将物体及其关系建模为结点node和边edge得益于其强大的表示能力，图神经网络主要应用在以下几个方面：

• 社交网络
• 自然科学（生物系统，protein-protein interaction networks）
• 知识图谱

图神经网络的动机

1. 第一个动机——卷积神经网络
   卷积神经网络能够提取多尺度的局部空间特征，为机器学习领域带来很大的突破，但是卷积神经网络只作用在规则的欧几里得数据，比如1D序列，2D网格状数据。但是这些数据结构可以看做是图这种数据结构的一个实例，或者说一种特殊情况。卷积神经网络有以下几个特性：

• 稀疏链接（或者叫局部连接）
• 权重共享
• 多层叠加
  （之前的博客中也有总结过卷积神经网络：《深度学习第九章》——阅读笔记）
  这几特性在解决图领域的问题中也尤为重要：
• 图是最典型的一种局部连接结构
• 权重共享同样可以减少计算量（这句太懂，谱域图理论不清楚：shared weights reduce the computational cost compared with traditional spectral graph theory [10].）
• 多层结构同样可以通过感受野的增大捕获不同尺度的特征
  因此我们很容易就想到将应用于欧几里得空间的CNN泛化到非欧几里得图领域。然而正如图1中显示的，我们很难定义一个局部卷积核和池化操作：
  

2. 第二个动机——graph embedding
   什么是graph embedding呢？从字面上理解就是嵌入图。这应该是自然语言处理领域中的术语，我也不是很懂，就说说自己浅显的理解：
   graph embedding是基于表示学习的一种方法，什么是表示学习呢？一本书上是这样说的：

    learning representations of the data that make it easier to extract useful information when building classifiers or other predictors。graph embedding
   1

   意思就是用图先将数据表示出来。
   之前的一些graph embedding的方法有两个缺陷:

   • 参数不共享，造成计算量和结点个数成正比；
   • 直接将图嵌入，缺乏泛化能力，无法处理动态图或者泛化为新的图。

总结一下研究神经网络的动机：1.CNN的三大特性满足图