薛 磊 农丽萍 张文辉* 林基明,2 王俊义

1(桂林电子科技大学信息与通信学院 广西 桂林 541004) 2(西安电子科技大学通信工程学院 陕西 西安 710071) 3(广西师范大学物理科学与技术学院 广西 桂林 541004)

0 引 言

近年来，深度学习在越来越多的领域取得了显著的成绩，特别是在语音识别[1]、自然语言处理和计算机视觉[2]等领域。深度学习在欧几里得数据上取得了巨大的成功，但是越来越多的应用需要对非欧几里得数据如图或流形进行分析。例如，在电子商务中，一个基于图的学习系统能够利用用户与商品之间的交互做出推荐；在化学中，需要识别被建模为图结构的分子的生物活性以发现新药物；在引文网络中，论文需要通过被引用的关系相互连接，然后通过挖掘关系被分成不同的组。挖掘这些图结构数据隐含的信息，成为当今学者研究的热门话题。

众所周知，深度学习模型一般需要大量的标记数据，但标记训练数据的代价很大。为了减少用于标记训练数据的数据，半监督学习开始兴起，它旨在从每个类只有很少的样本中学习一个分类模型。图结构数据分布不规则，且每个节点有不同数量的近邻节点，一些重要的操作，如卷积适用于规则结构数据(图片和视频)，但是不适用于图结构数据。此外，现有的深度学习算法假设数据之间是相互独立的，但是图结构数据中每个数据节点都通过一些引用、交互等依赖关系与其近邻节点相关联。可见图结构数据的复杂性和标记训练数据的代价给现有的深度学习算法带来了巨大的挑战。……