图建模分为图神经网络与传统的图分类、图表征

机心编辑器

参与：思源

图嵌入、图表示、图分类、图神经网络，本文将介绍你需要的图建模论文，当然它们都有配套的实现。

图形是一种非常神奇的表示方式。生活中的大部分现象或情况都可以用图形来表示matlab神经网络结果怎么看，如人际网络、道路交通网络、信息互联网等。正如马哲介绍的，事物是普遍联系的，而图可以捕捉到这种联系，所以用它来描述世界是一种更好的方式。

但是图形等结构化数据存在问题。在进行后续计算之前，我们必须有图表。但是地图的构建并不简单matlab神经网络结果怎么看，目前也没有更好的自动化方法，所以第一步还是需要花很多功夫。只要识别出每个节点和边，图是一个非常强大和复杂的工具，模型还可以推断出图中的各种隐藏知识。

不同时期的图形建模

实际上，我们可以将图建模分为图神经网络和传统图模型。其中，之前的图建模主要是利用Graph Embedding来学习不同节点的低维向量表示，借用了NLP中词嵌入的思想。图神经网络使用深度学习来执行更强大的图运算和图表示。

Graph Embedding 算法侧重于如何用低维向量表示网络节点，相似节点在表示空间中更接近。相比之下，GNN 最大的优势在于它不仅可以在语义上表示一个节点。

例如，GNN 可以表示子图的语义信息，可以表示网络中少量节点的语义，这在过去用 Graph Embedding 是不容易做到的。 GNN 还可以对整个图网络上的信息传播、聚合等进行建模，这意味着它可以将图网络建模为一个整体。此外，GNN对于单个节点的表示也可以做得更好，因为它可以更好地对周围节点的丰富信息进行建模。

在传统的图建模中，随机游走、最短路径等图方法使用符号知识，但这些方法并没有很好地利用每个节点的语义信息。深度学习技术更擅长处理非结构化文本和图像等数据。简而言之，我们可以将 GNN 视为将深度学习技术应用于符号图数据，或从非结构化数据扩展到结构化数据。 GNN 可以充分整合符号表示和低维向量表示，以发挥两者的优势。

图形建模论文和代码

在 GitHub 上的一项开源工作中，开发人员收集了与图建模相关的论文和实现，范围从经典的 Graph Embedding、Graph Kernel 到图神经网络。它们都是图嵌入、图分类、图表示等领域非常重要的论文。

项目地址：

本项目收集的论文主要领域如下：

1.因式分解

2.光谱和统计指纹

3.图神经网络

4.图形内核

分解方法

光谱和统计指纹

图神经网络

图形内核

不同时期的图形建模

实际上，我们可以将图建模分为图神经网络和传统图模型。其中，之前的图建模主要是利用Graph Embedding来学习不同节点的低维向量表示，借用了NLP中词嵌入的思想。图神经网络使用深度学习来执行更强大的图运算和图表示。

Graph Embedding 算法侧重于如何用低维向量表示网络节点，相似节点在表示空间中更接近。相比之下，GNN 最大的优势在于它不仅可以在语义上表示一个节点。

例如，GNN 可以表示子图的语义信息，可以表示网络中少量节点的语义，这在过去用 Graph Embedding 是不容易做到的。 GNN 还可以对整个图网络上的信息传播、聚合等进行建模，这意味着它可以将图网络建模为一个整体。此外，GNN对于单个节点的表示也可以做得更好，因为它可以更好地对周围节点的丰富信息进行建模。

在传统的图建模中，随机游走、最短路径等图方法使用符号知识，但这些方法并没有很好地利用每个节点的语义信息。深度学习技术更擅长处理非结构化文本和图像等数据。简而言之，我们可以将 GNN 视为将深度学习技术应用于符号图数据，或从非结构化数据扩展到结构化数据。 GNN 可以充分整合符号表示和低维向量表示，以发挥两者的优势。

图形建模论文和代码

在 的开源作品中，开发人员收集了与图建模相关的论文和实现，涉及从经典的 Graph Embedding、Graph Kernel 到图神经网络。它们都是图嵌入、图分类、图表示等领域非常重要的论文。

项目地址：benedekrozemberczki/awesome-graph-classification

本项目收集的论文主要领域如下：

1.因式分解

2.光谱和统计指纹

3.图神经网络

4.图形内核

分解方法

· 通过频繁子图学习图表示（SDM 2018)

· Dang Nguyen、Wei Luo、Tu Dinh Nguyen、Svetha Venkatesh、Dinh Phung

·论文：

·Python：nphdang/GE-FSG

·匿名步行嵌入（ICML 2018)

·谢尔盖·伊万诺夫和叶夫根尼·伯纳耶夫

·论文：

·Python：nd7141/AWE

· Graph2vec (MLGWorkshop 2017)

· Annamalai Narayanan、Mahinthan Chandramohan、Lihui Chen、Yang Liu 和 Santhoshkumar Saminathan

·论文：

· Python 高性能：benedekrozemberczki/graph2vec

· Python 参考：MLDroid/graph2vec_tf

·Subgraph2vec (MLGWorkshop 2016)

· Annamalai Narayanan、Mahinthan Chandramohan、Lihui Chen、Yang Liu 和 Santhoshkumar Saminathan

·论文：

· Python 高性能：MLDroid/subgraph2vec_gensim

· Python 参考：MLDroid/subgraph2vec_tf

· Rdf2Vec：用于数据挖掘的 RDF 图嵌入（ISWC 2016)

· Petar Ristoski 和 Heiko Paulheim

·论文：

· Python 参考：airobert/RDF2VecAtWebScale

·深度图内核（KDD 2015)

· Pinar Yanardag 和 S.V.N.维什瓦纳坦

·论文：

· Python 参考：pankajk/Deep-Graph-Kernels

光谱和统计指纹

· 一个简单而有效的非属性图分类基线（ICLR RLPM 2019)

·陈才、王玉素

·论文：

· Python参考：Chen-Cai-OSU/LDP

· NetLSD (KDD 2018)

·Anton Tsitsulin、Davide Mottin、Panagiotis Karras、Alex Bronstein 和 Emmanuel Müller

·论文：

· Python 参考：xgfs/NetLSD

· A Simple Baseline Algorithm for Graph Classification（关系表示学习，NIPS 2018)

· Nathan de Lara 和 Edouard Pineau

·论文：

· Python 参考：edouardpineau/A-simple-baseline-algorithm-for-graph-classification

· 基于熵的多图多标签学习（Entropy NIPS 2018)

·朱子轩和赵玉海

论文：.com/TonyZZX/MultiGraph_MultiLabel_Learning/blob/master/entropy-20-00245.pdf

· Python 参考：TonyZZX/MultiGraph_MultiLabel_Learning

· 在图上寻找独特、稳定、稀疏和快速的特征学习（NIPS 2017)

· Saurabh Verma 和张志立

·论文：

· Python 参考：.com/vermaMachineLearning/FGSD

· 多任务图分类的联合结构特征探索和正则化（TKDE 2015)

· 潘诗瑞、吴佳、朱兴全、张成奇、Philip S. Yuz

·论文：

·Java参考：.com/shiruipan/MTG

· NetSimile：一种与大小无关的网络相似性的可扩展方法（arXiv 2012)

·Michele Berlingerio、Danai Koutra、Tina Eliassi-Rad 和 Christos Faloutsos

·论文：

·Python：.com/kristyspatel/Netsimile