腊志垚，钱育蓉，冷洪勇，顾天宇，张继元，李自臣

1.新疆大学 软件学院，乌鲁木齐 830046

2.新疆大学 新疆维吾尔自治区信号检测与处理重点实验室，乌鲁木齐 830046

3.北京理工大学 计算机学院，北京 100081

4.广东水利电力职业技术学院 大数据与人工智能学院，广州 510635

近年来，图结构信息在众多系统中都发挥着重要的支柱功能，图分析在计算机科学及相关应用领域中引起广泛的关注。图作为结构化知识库，不但能够协助更高效地保存和访问交互实体之间的关系知识，同时在现代机器学习任务中也起着重要的作用，机器学习任务使用图作为特征信息，来预测并发现新的模型。社交网络[1]、语言学[2]、生物学（蛋白质-蛋白质网络）[3]和推荐系统[4]——这些领域及更多相关领域的知识都很容易被建模为图，这些图可以捕捉单个单元（即节点）之间的交互（即边）。图有很多具体使用价值，例如：蛋白质作用分类、协作网络角色划分、社交网络用户推荐或预测药物分子治疗方向，图数据的使用会给各行各业带来巨大的价值。

从机器学习的角度来看，图数据分析面临的挑战在于图结构的高维非欧信息能否直接编码到低维的特征向量中。因此，基于图的机器学习的核心是找到一种将图结构的信息结合到机器学习模型中的方法[5]。传统的提取图结构信息的方法，主要是图统计（如：度或聚类系数）[6]、核函数[7]或通过精心设计的特征来提取局部邻域结构[8]，但设计这些特性是十分耗时且代价高昂的。……