想要了解图或图神经网络？没有比看论文更好的方式了

图嵌入、图表征、图分类、图神经网络，这篇文章将介绍你需要的图建模论文，当然它们都有配套实现的。

图是一种非常神奇的表示方式，生活中绝大多数的现象或情境都能用图来表示，例如人际关系网、道路交通网、信息互联网等等。正如马哲介绍事物具有普遍联系性，而图正好能捕捉这种联系，所以用它来描述这个世界是再好不过的方法。

但图这种结构化数据有个麻烦的地方，我们先要有图才能进行后续的计算。但图的搭建并不简单，目前也没有比较好的自动化方法，所以第一步还是需要挺多功夫的。只要各节点及边都确定了，那么图就是一种非常强大且复杂的工具，模型也能推断出图中的各种隐藏知识。

不同时期的图建模

其实，我们可以将图建模分为图神经网络与传统的图模型。其中以前的图建模主要借助 Graph Embedding 为不同的节点学习低维向量表征，这借鉴了 NLP 中词嵌入的思想。而图神经网络借助深度学习进行更强大的图运算与图表征。

Graph Embedding 算法聚焦在如何对网络节点进行低维向量表示，相似的节点在表征空间中更加接近。相比之下，GNN 最大的优势在于它不只可以对一个节点进行语义表示。

例如 GNN 可以表示子图的语义信息，将网络中一小部分节点构成的语义表示出来，这是以前 Graph Embedding 不容易做到的。GNN 还可以在整个图网络上进行信息传播、聚合等建模，也就是说它可以把图网络当成一个整体进行建模。此外，GNN 对单个节点的表示也可以做得更好，因为它可以更好地建模周围节点丰富信息。

在传统图建模中，随机游走、最短路径等图方法会利用符号知识，但这些方法并没有办法很好地利用每个节点的语义信息。而深度学习技术更擅长处理非结构文本、图像等数据。简言之，我们可以将 GNN 看做将深度学习技术应用到符号表示的图数据上，或者说是从非结构化数据扩展到了结构化数据。GNN 能够充分融合符号表示和低维向量表示，发挥两者优势。

图建模论文与代码

在 GitHub 的一项开源工作中，开发者收集了图建模相关的论文与实现，并且从经典的 Graph Embedding、Graph Kernel 到图神经网络都有涉及。它们在图嵌入、图分类、图表征等领域都是非常重要的论文。

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

该项目主要收集的论文领域如下所示：

1. Factorization

2. Spectral and Statistical Fingerprints