李昌华，刘 艺，李智杰

(西安建筑科技大学 信息与控制工程学院，西安 710055)

1 引 言

图结构信息在生活中普遍存在，例如，社交网络，生物网络和分子结构等都可以由图的节点和边表示.研究人员已经在图中以监督和非监督的方式对许多重要的机器学习应用进行了广泛的研究[1],例如图像分类、自然语言处理、强化学习以及推荐系统，但图数据的复杂性给许多任务带来了巨大的挑战.由于从大量图数据中获取有意义的信息的重要性，其中图分类问题是该领域的中心任务之一.目前，最受欢迎的技术是核方法：1)图嵌入算法，将图结构嵌入到向量空间,得到图结构的向量化表示，然后直接应用基于向量的核函数处理，但是这类方法将结构化数据降维到向量空间损失了大量结构化信息；2)图核算法，它使用核函数来测量图之间的半正定图相似性[2].然后可以在相似性矩阵上进行分类任务.通过使用支持向量机[3]等监督算法.通过将图分解为子结构，图核能够直接处理图数据而无需将其转换为特征向量.既保留了核函数计算高效的优点，又包含了图数据在希尔伯特高维空间的结构化信息，使得它在节点分类、链路预测、节点聚类等方面取得了巨大成功.然而，基于图核的算法仍然受到自然限制.近年来，基于深度学习的方法(如图神经网络)也已广泛应用于网络表示，并被证明大大优于传统方法.GNN可以了解数据的局部结构和特征.该模……