图嵌入/图神经网络模型整理归类

introduction：图很有用，学术研究很火热
简单分类：图嵌入和图神经网络。
实际上图神经网络也属于图嵌入，但wuzonghan等人将网络network与GNN区别看待，

常用符号定义：

网络嵌入与图神经网络

wuzonghan等人将网络network与GNN区别看待，他们认为网络嵌入旨在表示网络顶点到一个低维向量空间,通过保留网络拓扑结构和节点内容信息，以便任何后续图分析任务,如分类、聚类、推荐可以很容易地使用简单的现成的机器学习算法(例如,支持向量机分类)执行。
也确实，通常意义上的NE的工作是节点到特征向量，而图神经网络是端到端的去做分类等任务，只是中间过程产出了特征向量。加上近来图神经网络尤其是图卷积神经网络的研究热潮，一般会把图嵌入与图神经网络分开来谈。

模型整理归类

许多网络嵌入算法是典型的无监督算法，它们可以大致分为三组[33]，即、矩阵因子分解[39]、[40]、随机游走[41]、深度学习方法。
同时用于做网络嵌入的深度学习方法属于图神经网络
如下图

图卷积的模型overview

wuzonghan等人将图神经网络分为图卷积网络、图注意网络、图自动编码器、图生成网络和图时空网络。其中，图卷积网络在捕获结构依赖项方面起着核心作用。如下图所示，其他类别的方法部分使用图卷积网络作为构建块。我们总结了表2中每个类别的代表性方法，并给每个类别做了简要介绍。


以图结构和节点内容信息为输入，GCN的输出可以通过以下机制之一专注于不同的图分析任务：node-level、edge-level、graph-level。

GE:

1. 基于矩阵因子分解的方法

• Laplacian Eigenmaps
• GF
• GraRep
• HOPE

2. 随机游走

• deepwalk
• node2vec
• LINE
• Struc2vec
• HARP

GNNs:

1. GCN

• 基于谱方法卷积
  • Spectral CNN (2014)
  • ChebNet (2016)
  • 1stChebNet (2017)
  • AGCN (2018)
• 基于空间卷积
  • GNN (2009)
  • GGNNs (2015)
  • SSE (2018)
  • MPNN (2017)
  • GraphSage (2017)
  • DCNN (2016)
  • PATCHY-SAN (2016)
  • LGCN (2018)

2. attention
   • Graph Attention Network (GAT)
   • Gated Attention Network (GAAN)
   • Graph Attention Model (GAM)
   • Attention Walks
3. Graph Auto-encoders
   • Graph Auto-encoder (GAE)
   • Adversarially Regularized Graph Autoencoder (ARGA)
   • Network Representations with Adversarially Regularized Autoencoders (NetRA)
   • Deep Neural Networks for Graph Representations (DNGR)
   • Structural Deep Network Embedding (SDNE)
   • Deep Recursive Network Embedding (DRNE)
4. 图生成网络
   • Molecular Generative Adversarial Networks (MolGAN)
   • Deep Generative Models of Graphs (DGMG)
   • GraphRNN
   • NetGAN
5. 图时空网络
   • Diffusion Convolutional Recurrent Neural Network (DCRNN)
   • CNN-GCN
   • Spatial Temporal GCN (ST-GCN)
   • Structural-RNN