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。图是一种非常神奇的表示方式。生活中的大多数现象或情况都可以用图形表示，例如人际网络、道路交通网络、信息互联网等。正如马哲介绍的那样，事物之间存在普遍联系，而图形恰好可以捕捉到这种联系，所以用它来描述世界是最好的方式。但是像图这样的结构化数据有一个麻烦的地方。我们必须有图表才能进行后续的计算。但是图的构建并不简单，目前也没有更好的自动化方法，所以第一步还是要费一番功夫。只要确定了每个节点和边，图是一个非常强大和复杂的工具，模型还可以推断出图中隐藏的各种知识。不同时期的图建模其实我们可以把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GraphEmbedding来学习不同节点的低维向量表示，借鉴了NLP中wordembedding的思想。图神经网络使用深度学习来执行更强大的图操作和图表示。GraphEmbedding算法关注的是如何在低维向量中表示网络节点，相似的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，表达网络中少数节点的语义，这对于以前的GraphEmbedding来说并不容易。GNN还可以对整个图网络上的信息传播和聚合进行建模，也就是说，它可以对图网络进行整体建模。此外，GNN还可以更好地表示单个节点，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，或者从非结构化数据扩展到结构化数据。GNN可以充分融合符号表示和低维向量表示，并充分利用两者。图建模论文和代码在GitHub上的一个开源作品中，开发者收集了与图建模相关的论文和实现，从经典的GraphEmbedding、GraphKernel到图神经网络，无所不包。它们是图嵌入、图分类、图表示等领域非常重要的论文。项目地址：https://github.com/benedekrozemberczki/awesome-graph-classification本项目收集的论文主要领域如下：1.Factorization2.光谱和统计指纹3。图神经网络4。图内核
