近年来，人们对学习图结构数据表示的兴趣大增。基于标记数据的可用性，图表示学习方法一般分为三大类。第一种是网络嵌入（如浅层图嵌入或图自动编码器），它侧重于学习关系结构的无监督表示。第二种是图正则化神经网络，它利用图来增加半监督学习的正则化目标的神经网络损失。第三种是图神经网络，目的是学习具有任意结构的离散拓扑上的可微函数。然而，尽管这些领域很受欢迎，但在统一这三种范式方面的工作却少得惊人。在这里，本文的目标是弥合图神经网络、网络嵌入和图正则化模型之间的差距。本文提出了图结构数据表示学习方法的一个综合分类，旨在统一几个不同的工作主体。具体来说，本文提出了一个图编码解码器模型（GRAPHEDM），它将目前流行的图半监督学习算法（如GraphSage、Graph Convolutional Networks、Graph Attention Networks）和图表示的非监督学习（如DeepWalk、node2vec等）归纳为一个统一的方法。为了说明这种方法的一般性，本文将30多个现有方法放入这个框架中。作者相信，这种统一的观点既为理解这些方法背后的直觉提供了坚实的基础，也使该领域的未来研究成为可能。

内容中包含的图片若涉及版权问题，请及时与我们联系删除