图网络的分类

A Comprehensive Survey on Graph Neural Network（图神经网络综述）

1. Recurrent Graph Neural Networks（1.递归图神经网络）
2. Convolution Graph Neural Networks（2.卷积图神经网络）
3. Graph Autoencoders（3.图自动编码器）
4. Spatial-temporal Graph Neural Networks（4.时空图神经网络）

**

A Comprehensive Survey on Graph Neural Networks（ 图神经网络综述）

**

1. Graph Convolution Networks（1.图卷积网络）
2. Graph Attention Networks（2.关注网络图）
3. Graph Auto-encoder（3.图自动编码器）
4. Graph Generative Networks（4.图生成网络）
5. Graph Spatial-Temporal Networks（5.图时空网络）

Deep Learning on Graphs: A Survey（图深度学习研究综述）

1. Recurrent Graph Neural Networks（1.递归图神经网络）
2. Convolution Graph Neural Networks（2.图卷积神经网络）
3. Graph Autoencoders（3.图自动编码器）
4. Graph Reinforcement Learning（4.图强化学习）
5. Graph Adversarial Methods（5.图对抗学习）

更通用的框架，更一般的框架分类方式：

1. MPNN：图神经网络和图卷积/ Message Passing Neural Networks
2. NLNN：统一Attention/ Non-local Neural Networks
3. GN：统一以上/ Graph Networks

图计算任务框架：

1. 节点问题
2. 边：将两个节点作为输入，输入边的预测
3. 图：图分类/图匹配/图生成

图上任务类别：

1. 半监督任务：Node
2. 有监督：Graph/Node
3. 无监督：Graph embedding

图的类别

1. 异构图
2. 二部图
3. 多维图
4. 符号图
5. 超图
6. 动态图

1、RGNN（Recurrent Graph Neural Networks）

递归图神经网络是图神经网络的一个先驱作品，是利用相同的递归参数，不断的去学习节点的高层特征。

hv表示这个节点在这一层上的特征，hu表示这个节点的邻居的特征。
GRU第一个参数表示该节点的特征，第2个部分表示聚合了该节点所有邻居的特征。通过GRU函数后就学习到了这个节点下一层节点的特征表示。
递归图神经网络和图卷积神经网络都是聚合邻居的信息，那么递归图神经网络和卷积神经网络有什么区别？
上图中（a）图表示递归图神经网络，（b）图表示图卷积神经网络。递归图神经网络中卷积所用的参数都是一致的，而图卷积神经网络中卷积层所用的参数是不一致的。

2. Graph Convolution Networks（图卷积神经网络）

GCN和GraphSage都认为邻居节点具有排列不变性，PATCH-SAN是真正用到卷积的操作来对节点进行深层次的特征学习。如果要对一个节点做卷积，首先要得到该节点周围的邻居信息，然后要得到邻居信息的一个有序排列。下面看看PATCH-SAN是如何得到邻居信息的有序序列的，

3. Graph Attention Networks

GAT
利用节点和节点的attention，求出该节点与它周围节点的attention系数，通过attention系数加权求和邻居节点的信息，学到该节点在下一层的特征表示。

4. Graph Auto-encoder

输入一张图，通过GCN就学到了该图的一个隐层表示Z，Z和Z的转置相乘就还原出一张图。求输入图和输出图的结构性误差，把这个结构性误差当做损失函数，求这个损失函数的最小值，那么就学到了GCN的参数。
GAE是把Auto-encoder的encoder变成GCN，把decoder变成Z和Z的转置相乘。

输入一张图，通过第一层的GCN共享参数，然后通过第二层GCN学习μ和σ，将μ和σ组合到一起就得到Z向量，然后Z和Z的转置相乘就还原出一张图。将输入图和输出图最小化结构性误差，就学习到了encoder中GCN参数值。

5. Graph Spatial-Temporal Networks（时空网络）

同时考虑图的空间性和时间维度。比如在交通邻域中，速度传感器会随时间变化的时间维度，不同的传感器之间也会形成连接的空间维度的边。当前的许多方法都应用GCN来捕获图的依赖性，使用一些RNN 或CNN 对时间依赖性建模。

6. Graph Generative Networks（图生成网络）

通过RNN或者GAN的方式生成网络。图生成网络的一个有前途的应用领域是化合物合成。 在化学图中，原子被视为节点，化学键被视为边。 任务是发现具有某些化学和物理性质的新的可合成分子

7. Graph Reinforcement Learning

采用强化学习的方法应用于图网络上。

8. Graph Adversarial Methods

GAN的思想，生成器生成样本，分类器去判别样本。

GN：Graph Networks

我们讨论了简单图的图神经⽹络模型，这些图是静态的，只有⼀种节点和⼀种边。然⽽，在许多现实世界的应⽤程序中的图表要复杂得多。它们通常有多种类型的节点、边缘、独特的结构，⽽且通常是动态的。

图的类别

1. 异构图 Heterogeneous Graph Neural Networks
2. 二部图 Bipartite Graph Neural Networks
3. 多维图 Multi-dimensional Graph Neural Networks
4. 符号图 Signed Graph Neural Networks
5. 超图 Hypergraph Neural Networks
6. 动态图 Dynamic Graph Neural Networks

下面简单介绍一下这几个图
1. 异构图 Heterogeneous Graph Neural Networks
点和点之间或者边和边之间的关系是不一样的。下面这个例子中，作者写了一些文章，这些文章被发表到不同的期刊上，文章和文章之间也有一个引用的关系。
不同的节点所构成的图就称其为异构图。

2. 二部图 Bipartite Graph Neural Networks
将图中的节点分为两部分，其中每一部分中节点之间是没有边连接的，不同部分的节点之间可以有边连接。

3. 多维图 Multi-dimensional Graph Neural Networks
多种关系所组成的图称为多维图。

4. 符号图 Signed Graph Neural Networks
边是有相反属性关系的，边要么是正值，要么是负值。下面的例子中，两个用户节点之间如果是朋友的关系就定为正值，不是朋友（敌对关系）就是负值。
边上有符号得图称为符号图。

5. Hypergraphs 超图：边可能会关联（或者说包含）两个以上的点
每个边所包含的顶点个数都是相同且为k个的，就可以被称为k阶超图，常见的图就是2阶超图

6. 动态图 Dynamic Graphs
随着时间的变化所生成的图称之为动态图。