深度学习作为人工智能的一个研究分支发展迅速,而研究数据主要是语音、图像和视频等,这些具有规则结构的数据通常在欧氏空间中表示.然而许多学习任务需要处理的数据是从非欧氏空间中生成,这些数据特征和其关系结构可以用图来定义.图卷积神经网络通过将卷积定理应用于图,完成节点之间的信息传播与聚合,成为建模图数据一种有效的方法.尽管图卷积神经网络取得了巨大成功,但针对图任务中的节点分类问题,由于深层图结构优化的特有难点——过平滑现象,现有的多数模型都只有两三层的浅层模型架构.在理论上,图卷积神经网络的深层结构可以获得更多节点表征信息,因此针对其层级信息进行研究,将层级结构算法迁移到图数据分析的核心在于图层级卷积算子构建和图层级间信息融合.本文对图网络层级信息挖掘算法进行综述,介绍图神经网络的发展背景、存在问题以及图卷积神经网络层级结构算法的发展,根据不同图卷积层级信息处理将现有算法分为正则化方法和架构调整方法.正则化方法通过重新构建图卷积算子更好地聚合邻域信息,而架构调整方法则融合层级信息丰富节点表征.图卷积神经网络层级特性实验表明,图结构中存在层级特性节点,现有图层级信息挖掘算法仍未对层级特性节点的图信息进行完全探索.最后,总结了图卷积神经网络层级信息挖掘模型的主要应用领域,并从计算效率、大规模数据、动态图和应用场景等方面提出进一步研究的方向.

层级结构;图卷积神经网络(GCN);注意力机制;人工智能;深度学习

西安理工大学印刷包装与数字媒体学院,西安 710048

[1]魏文超;蔺广逢;廖开阳;康晓兵;赵凡-.图网络层级信息挖掘分类算法综述)[J].中国图象图形学报,2022(10):2916-2936

两三层

图网络,网络层级,信息挖掘,分类算法,习作,研究数据,数据通,欧氏空间,学习任务,数据特征,关系结构,图卷积神经网络,卷积定理,信息传播,图数据,巨大成功,节点分类,分类问题,图结构,过平滑,层模型,模型架构,深层结构,多节点,层级结构,算法迁移,图层,卷积算子,信息融合,挖掘算法,图神经网络,卷积层,信息处理,正则化方法,调整方法,建图,邻域信息,图信息,挖掘模型,主要应用,计算效率,大规模数据,动态图,出进,GCN,注意力机制

0.283238