圖嵌入、圖表征、圖分類、圖神經網絡，這篇文章將介紹你需要的圖建模論文，當然它們都有配套實現的。

圖是一種非常神奇的表示方式，生活中絕大多數的現象或情境都能用圖來表示，例如人際關系網、道路交通網、信息互聯網等等。正如馬哲介紹事物具有普遍聯系性，而圖正好能捕捉這種聯系，所以用它來描述這個世界是再好不過的方法。

但圖這種結構化數據有個麻煩的地方，我們先要有圖才能進行后續的計算。但圖的搭建并不簡單，目前也沒有比較好的自動化方法，所以第一步還是需要挺多功夫的。只要各節點及邊都確定了，那么圖就是一種非常強大且復雜的工具，模型也能推斷出圖中的各種隱藏知識。

不同時期的圖建模

其實，我們可以將圖建模分為圖神經網絡與傳統的圖模型。其中以前的圖建模主要借助 Graph Embedding 為不同的節點學習低維向量表征，這借鑒了 NLP 中詞嵌入的思想。而圖神經網絡借助深度學習進行更強大的圖運算與圖表征。

Graph Embedding 算法聚焦在如何對網絡節點進行低維向量表示，相似的節點在表征空間中更加接近。相比之下，GNN 最大的優勢在于它不只可以對一個節點進行語義表示。

例如 GNN 可以表示子圖的語義信息，將網絡中一小部分節點構成的語義表示出來，這是以前 Graph Embedding 不容易做到的。GNN 還可以在整個圖網絡上進行信息傳播、聚合等建模，也就是說它可以把圖網絡當成一個整體進行建模。此外，GNN 對單個節點的表示也可以做得更好，因為它可以更好地建模周圍節點豐富信息。

在傳統圖建模中，隨機游走、最短路徑等圖方法會利用符號知識，但這些方法并沒有辦法很好地利用每個節點的語義信息。而深度學習技術更擅長處理非結構文本、圖像等數據。簡言之，我們可以將 GNN 看做將深度學習技術應用到符號表示的圖數據上，或者說是從非結構化數據擴展到了結構化數據。GNN 能夠充分融合符號表示和低維向量表示，發揮兩者優勢。

圖建模論文與代碼

在 GitHub 的一項開源工作中，開發者收集了圖建模相關的論文與實現，并且從經典的 Graph Embedding、Graph Kernel 到圖神經網絡都有涉及。它們在圖嵌入、圖分類、圖表征等領域都是非常重要的論文。

項目地址：https://github.com/benedekrozemberczki/awesome-graph-classification

該項目主要收集的論文領域如下所示：

1. Factorization

2. Spectral and Statistical Fingerprints

3. Graph Neural Network

4. Graph Kernels