李荆 刘钰 邹磊,†

1. 北京大学前沿交叉学科研究院, 北京 100871; 2. 北京大学王选计算机研究所, 北京 100871;† 通信作者, E-mail: zoulei@pku.edu.cn

随着卷积神经网络(convolutional neural networks,CNN)在计算机视觉、自然语言处理以及语音识别等领域的成功应用, 研究者们对图神经网络(graph neural networks, GNN)在图学习方面的潜力产生极大的兴趣。图像、自然语言和语音信号都属于欧几里德数据结构(Euclidean data structure), 这类数据结构排列整齐, 很容易定义其中的邻居。例如, 可以用矩阵表示一张图片中的每个像素点, 将文本和语音信号视为一维序列。这种数据结构的特性使得我们很容易定义作用于其上的卷积操作, 用来提取局部特征。然而, 图(graph)却是一种非欧几里德数据结构(non-Euclidean data structure), 其中的节点并不是规则的排列。并且, 对于不同节点, 其邻居数目不同, 因此传统 CNN 的卷积操作无法直接运用到图中。

图卷积神经网络(graph convolutional networks,GCN)将 CNN 中的卷积概念扩展到图中, 通过定义作用于图上的卷积操作来提取节点的邻域信息。由于图卷积操作可以对图结构以及图上的邻域信息进行有效的提取, 所以 GCN 在图表示学习领域表现出强大的优势。研究表明, GCN 在很多图挖掘任务(如节点分类、边分类、链接预测和聚类等)中有最优的表现[1-2]。

已有的图卷积神经网络大多基于静态图设计,即模型对图的建模和表示进行学习, 假设图结构不改变。然而, 现实中提取的图是动态变化的, 图中的节点和边都会随着时间而有插入和删除, 节点属性和边属性也会随时间而改变。例如, 在一个以用户为节点, 用户间交易为边的金融网络中, 一个具有现实意义的任务就是识别其中的可疑用户(例如洗钱组织成员)或可疑交易(例如信用卡诈骗交易)。……