本文根据王鸿伟博士分享整理，参考博文在文末~　　

概述

Graph Representation Learningz（GRL）中文可称之为图特征学习或者网络特征学习，其主要目的在于，将图中每个节点 映射到一个低维向量空间，并且在此空间保持原有图的结构或者距离信息。其应用十分广泛，它可以被用于链路预测， 节点分类，推荐系统，视觉，知识图谱，聚类，Text Embedding以及社会网络分析。　　

GRL分类

按输入分类

  1. Homogeneous graph(同构图)：Weighted/Unweighted, Directed/Undirected, Signed/Unsigned
  2. Heterogeneous graph(异构图): Multimedia network, knowledge graph
  3. Graph with side information: Node/edge label(categorical), Node/edge attribute(discrete or continuous),Node feature(e.g.,texts)

按输入分类

  1. Node embedding(the most common case)
  2. Edge embedding: Relations in knowledge graph, link Prediction
  3. Sub-graph embedding: Substructure embedding, Community embedding
  4. Whole-graph embedding: Multiple small graphs, e.g., molecule,protein

按方法分类

  1. Matrix factorization, Singular value decomposition(奇异分解), Spectral decomposition(eigen-decomposition，特征分解)
  2. Random walk, 14年的论文，就是将了使用随机游走的方式产生路径，将路径看作是nlp里面的sentences，然后使用word embedding的方法（skip-gram,cbow）进行embedding，将图中的节点使用低维连续向量进行表示，是无监督学习。
  3. Deep learning，Auto-encoder, CNN
  4. self-defined loss: Maximizing edge reconstruction probability, Minimizing distance-based loss, Minimizing margin-based ranking loss(这种方法常见于知识图谱)

表示学习方法演变

GraphGAN

没有学会插入公式，直接看原博文吧.

参考博文

参考博文链接