• 中国精品科技期刊
  • CCF推荐A类中文期刊
  • 计算领域高质量科技期刊T1类
高级检索

图神经网络综述

马帅, 刘建伟, 左信

马帅, 刘建伟, 左信. 图神经网络综述[J]. 计算机研究与发展, 2022, 59(1): 47-80. DOI: 10.7544/issn1000-1239.20201055
引用本文: 马帅, 刘建伟, 左信. 图神经网络综述[J]. 计算机研究与发展, 2022, 59(1): 47-80. DOI: 10.7544/issn1000-1239.20201055
shu
Ma Shuai, Liu Jianwei, Zuo Xin. Survey on Graph Neural Network[J]. Journal of Computer Research and Development, 2022, 59(1): 47-80. DOI: 10.7544/issn1000-1239.20201055
Citation: Ma Shuai, Liu Jianwei, Zuo Xin. Survey on Graph Neural Network[J]. Journal of Computer Research and Development, 2022, 59(1): 47-80. DOI: 10.7544/issn1000-1239.20201055
shu
马帅, 刘建伟, 左信. 图神经网络综述[J]. 计算机研究与发展, 2022, 59(1): 47-80. CSTR: 32373.14.issn1000-1239.20201055
引用本文: 马帅, 刘建伟, 左信. 图神经网络综述[J]. 计算机研究与发展, 2022, 59(1): 47-80. CSTR: 32373.14.issn1000-1239.20201055
shu
Ma Shuai, Liu Jianwei, Zuo Xin. Survey on Graph Neural Network[J]. Journal of Computer Research and Development, 2022, 59(1): 47-80. CSTR: 32373.14.issn1000-1239.20201055
Citation: Ma Shuai, Liu Jianwei, Zuo Xin. Survey on Graph Neural Network[J]. Journal of Computer Research and Development, 2022, 59(1): 47-80. CSTR: 32373.14.issn1000-1239.20201055
shu

图神经网络综述

  • (中国石油大学(北京)信息科学与工程学院 北京 102249) (mashuai9110@163.com)

基金项目: 中国石油大学(北京)科研基金项目(2462020YXZZ023)
详细信息

  • 中图分类号: TP18

Survey on Graph Neural Network

  • (College of Information Science and Engineering, China University of Petroleum (Beijing), Beijing 102249)

Funds: This work was supported by the Scientific Research Foundation of China University of Petroleum(Beijing)(2462020YXZZ023).

摘要

    摘要
  • 摘要: 近几年来，将深度学习应用到处理和图结构数据相关的任务中越来越受到人们的关注.图神经网络的出现使其在上述任务中取得了重大突破，比如在社交网络、自然语言处理、计算机视觉甚至生命科学等领域得到了非常广泛的应用.图神经网络可以把实际问题看作图中节点之间的连接和消息传播问题，对节点之间的依赖关系进行建模，从而能够很好地处理图结构数据.鉴于此，系统综述了图神经网络模型以及应用.首先从谱域、空间域和池化3方面对图卷积神经网络进行了阐述.然后，描述了基于注意力机制和自编码器的图神经网络模型，并补充了一些其他方法实现的图神经网络.其次，总结了针对图神经网络能不能做大做深等问题的讨论分析.进而，概括了图神经网络的4个框架.还详细说明了在图神经网络在自然语言处理、计算机视觉等方面的应用.最后，对图神经网络未来的研究进行了展望和总结.相较于已有的图神经网络综述文章，详细阐述了谱理论知识，并对基于谱域的图卷积神经网络体系进行全面总结.同时，给出了针对空间域图卷积神经网络效率低的改进模型这一新的分类标准.并总结了针对图神经网络表达能力、理论保障等的讨论分析，增加了新的框架模型.在应用部分，阐述了图神经网络的最新应用.
    Abstract: In recent years, the application of deep learning related to graph structure data has attracted more and more attention. The emergence of graph neural network has made major breakthroughs in the above tasks, such as social networking, natural language processing, computer vision, even life sciences and other fields. The graph neural network can treat the actual problem as the connection between nodes in the graph and the message propagation problem, and the dependence between nodes can be modeled, so that the graph structure data can be handled well. In view of this, the graph neural network model and its application are systematically reviewed. Firstly, the graph convolutional neural network is explained from three aspects: spectral domain, spatial domain and pooling. Then, the graph neural network model based on the attention mechanism and autoencoder is described, and some graph neural network implemented by other methods are supplemented. Secondly, it summarizes the discussion and analysis on whether the graph neural network can be bigger and deeper. Furthermore, four frameworks of graph neural network are summarized. It also explains in detail the application of graph neural network in natural language processing and computer vision, etc. Finally, the future research of graph neural network is prospected and summarized. Compared with existing review articles on graph neural network, it elaborates the knowledge of spectral theory in detail, and comprehensively summarizes the development history of graph convolutional neural network based on the spectral domain. At the same time, a new classification standard, an improved model for the low efficiency of the spatial domain graph convolutional neural network, is given. And for the first time, it summarizes the discussion and analysis of graph neural network expression ability, theoretical guarantee, etc., and adds a new framework model. In the application part, the latest application of graph neural network is explained.
    • HTML全文
    • 参考文献(0)
    • 相关文章
    • 施引文献(373)

  • 期刊类型引用(68)

    1. 陈泽明，方序鸿，李家叶，汪孟尧，陈爱芳，尹玲. 机器学习模型在城市内涝模拟预报中的应用综述. 人民珠江. 2025(01): 9-22 . 百度学术
    2. 邱凯乐. 图信号处理综述. 物联网技术. 2025(05): 111-113 . 百度学术
    3. 练培格，李英冰，刘波，冯晓珂. 基于多元时间序列动态图神经网络的交通速度预测. 地球信息科学学报. 2025(03): 636-652 . 百度学术
    4. 许明家，孙龙，李爽，鲁程鹏. 基于图神经网络的地下水位动态模拟模型. 水文. 2025(01): 30-36 . 百度学术
    5. 胡书林，张华军，邓小涛，王征华. 结合依存图卷积的中文文本相似度计算研究. 计算机工程. 2025(03): 76-85 . 百度学术
    6. 朱海，谭文安，郭凯. 基于图卷积的云制造服务编码算法. 河南科技大学学报(自然科学版). 2024(01): 43-50+7 . 百度学术
    7. 肖国庆，李雪琪，陈玥丹，唐卓，姜文君，李肯立. 大规模图神经网络研究综述. 计算机学报. 2024(01): 148-171 . 百度学术
    8. 林晶晶，冶忠林，赵海兴，李卓然. 超图神经网络综述. 计算机研究与发展. 2024(02): 362-384 . 本站查看
    9. 谢楠. 内容个性化推荐优化探索. 数字通信世界. 2024(01): 70-72 . 百度学术
    10. 柳德云，李莹，周震，吉根林. 基于时空依赖关系和特征融合的弱监督视频异常检测. 数据采集与处理. 2024(01): 204-214 . 百度学术
    11. 李挺，金福生，李荣华，王国仁，段焕中，路彦雄. Light-HGNN：用于圈层内容推荐的轻量同质超图神经网络. 计算机研究与发展. 2024(04): 877-888 . 本站查看
    12. 杨洁祎 ，董一鸿 ，钱江波 . 基于图神经网络的小样本学习方法研究进展. 计算机研究与发展. 2024(04): 856-876 . 本站查看
    13. 胡昊，孙爽，马鑫，李擎，徐鹏. 基于图注意力网络的城市内涝积水预测与研究. 人民黄河. 2024(04): 43-48 . 百度学术
    14. 龙志，陈湘州. 基于图注意力LSTM深度学习的季度GDP预测应用. 湖南工程学院学报(社会科学版). 2024(01): 54-64+118 . 百度学术
    15. 张陶，廖彬，于炯，李敏，孙瑞娜. 图神经网络节点分类任务基准测试及分析. 计算机科学. 2024(04): 132-150 . 百度学术
    16. 刘润雨，贾路楠. 基于分班图神经网络的度不平衡节点分类. 信息技术与信息化. 2024(04): 114-117 . 百度学术
    17. 袁立宁，蒋萍，莫嘉颖，刘钊. 基于二阶图卷积自编码器的图表示学习. 计算机工程与应用. 2024(10): 180-187 . 百度学术
    18. 侯磊，刘金环，于旭，杜军威. 图神经网络研究综述. 计算机科学. 2024(06): 282-298 . 百度学术
    19. 楚小茜，张建辉，张德升，苏珲. 基于改进GraphSAGE算法的浏览器指纹追踪. 计算机科学. 2024(06): 409-415 . 百度学术
    20. 刘振威，黄影平，梁振明，杨静怡. 基于点云图卷积神经网络的3D目标检测. 上海理工大学学报. 2024(03): 320-330 . 百度学术
    21. 张强，彭骨，薛陈斌. 基于改进图注意力网络的油井产量预测模型. 吉林大学学报(理学版). 2024(04): 933-942 . 百度学术
    22. 李平，宋舒寒，张园，曹华伟，叶笑春，唐志敏. HSEGRL：一种分层可自解释的图表示学习模型. 计算机研究与发展. 2024(08): 1993-2007 . 本站查看
    23. 焦鹏飞，陈舒欣，郭翾，何东晓，刘栋. 图神经常微分方程综述. 计算机研究与发展. 2024(08): 2045-2066 . 本站查看
    24. 王长刚，王先伟，曹宇，李扬，吕琪，张耀心. 基于改进图注意力网络的电力系统脆弱性关键环节辨识. 电力系统保护与控制. 2024(15): 36-45 . 百度学术
    25. 李航程，钟勇. 基于多特征驱动图注意卷积网络的关系抽取. 计算机应用. 2024(S1): 24-28 . 百度学术
    26. 熊辛，涂志炜，唐韬，闵仕琦，冯雨欣，汤涛，叶海涛. 复杂场景下人体跌倒行为监测模型构建的研究. 中国数字医学. 2024(09): 91-96 . 百度学术
    27. 李鑫，陆伟，马召祎，朱攀，康彬. 基于图注意力和改进Transformer的节点分类方法. 电子学报. 2024(08): 2799-2810 . 百度学术
    28. 冯拓宇，刘佳宁，曹子奇，郭静，杨云祥. 社区发现方法研究综述. 中国电子科学研究院学报. 2024(06): 487-498+503 . 百度学术
    29. 贺鸣，郭熹，秦守浩，张珂珂. 一种图智能应用开发平台及电信运营商应用实践. 邮电设计技术. 2024(10): 73-77 . 百度学术
    30. 李鹏辉，翟正利，冯舒. 针对图神经网络的单节点扰动攻击. 计算机与数字工程. 2024(10): 3003-3008 . 百度学术
    31. 孙秀娟，孙福振，李鹏程，王澳飞，王绍卿. 融合掩码自编码器的自适应增强序列推荐. 计算机科学与探索. 2024(12): 3324-3334 . 百度学术
    32. 庞俊，程俊澳，林晓丽，王蒙湘. 基于动态超图小波神经网络的半监督超图节点分类. 计算机应用研究. 2024(12): 3735-3741 . 百度学术
    33. 周宇，肖健梅，王锡淮. 基于GCN和HGP-SL的电力系统暂态稳定评估. 电气工程学报. 2024(04): 246-254 . 百度学术
    34. 张蕾，钱峰，赵姝，陈洁，杨雪洁，张燕平. 基于卷积图神经网络的多粒度表示学习框架. 南京大学学报(自然科学). 2023(01): 43-54 . 百度学术
    35. 李洁莹，马佳瑛. 英语翻译机器人翻译错误自动检测系统研究. 自动化与仪器仪表. 2023(02): 242-246 . 百度学术
    36. 蒋玉英，陈心雨，李广明，王飞，葛宏义. 图神经网络及其在图像处理领域的研究进展. 计算机工程与应用. 2023(07): 15-30 . 百度学术
    37. 陈东洋，郭进利. 基于图注意力的高阶网络节点分类方法. 计算机应用研究. 2023(04): 1095-1100+1136 . 百度学术
    38. 韩冰，张鑫云，任爽. 基于三维点云的卷积运算综述. 计算机研究与发展. 2023(04): 873-902 . 本站查看
    39. 马东岭，吴鼎辉，陈家阁，姚国标，毛力波. 基于增强图注意力网络的高光谱影像分类方法. 山东建筑大学学报. 2023(02): 97-104 . 百度学术
    40. 尹拓凯，岳文静，陈志. 面向拜占庭攻击的认知用户分类. 计算机技术与发展. 2023(04): 102-107 . 百度学术
    41. 安波. 结构信息增强的文献分类方法研究. 农业图书情报学报. 2023(03): 15-24 . 百度学术
    42. 代祖华，刘园园，狄世龙. 语义增强的图神经网络方面级文本情感分析. 计算机工程. 2023(06): 71-80 . 百度学术
    43. 袁满，褚润夫，袁靖舒，陈萍. 融合上下文信息的图神经网络推荐模型研究. 吉林大学学报(信息科学版). 2023(04): 693-700 . 百度学术
    44. 刘佰阳，郑宇，魏琳，刘梅，金龙. 面向模型未知的冗余机器人运动规划方案. 兰州大学学报(自然科学版). 2023(04): 506-511 . 百度学术
    45. 梁龙跃，王浩竹. 基于图卷积神经网络的个人信用风险预测. 计算机工程与应用. 2023(17): 275-285 . 百度学术
    46. 陈淑娴. 基于知识图谱与图神经网络下无线业务预测手段优化. 软件. 2023(07): 83-85 . 百度学术
    47. 马华，姜伟，陈明，钟世杰. 基于图滤波器的符号属性图链路关系预测算法. 计算机技术与发展. 2023(09): 126-132 . 百度学术
    48. 柳博文，刘星. 多尺度卷积神经网络模型优化在矿物识别中的应用. 矿物岩石. 2023(03): 10-19 . 百度学术
    49. 田春生，陈雷，王源，王硕，周婧，王卓立，庞永江，杜忠. 基于图神经网络的电子设计自动化技术研究进展. 电子与信息学报. 2023(09): 3069-3082 . 百度学术
    50. 张华辉，邱晓莹，徐航. 文本情感分类方法研究综述. 延边大学学报(自然科学版). 2023(03): 275-282 . 百度学术
    51. 谷振宇，陈聪，郑家佳，孙棣华. 考虑时空相似性的动态图卷积神经网络交通流预测. 控制与决策. 2023(12): 3399-3408 . 百度学术
    52. 王松，骆莹，刘新民. 基于文本语义与关联网络双链路融合的用户生成内容价值早期识别研究. 数据分析与知识发现. 2023(11): 101-113 . 百度学术
    53. 曹汉童，陈璟. 融合Doc2vec与GCN的多类型蛋白质相互作用预测方法. 智能系统学报. 2023(06): 1165-1172 . 百度学术
    54. 丁红发，傅培旺，彭长根，龙士工，吴宁博. 混洗差分隐私保护的度分布直方图发布算法. 西安电子科技大学学报. 2023(06): 219-236 . 百度学术
    55. 马汉达，梁文德. 基于左归一化图卷积网络的推荐模型. 计算机应用. 2023(S2): 111-116 . 百度学术
    56. 闫明路，连航宇，朱丹青，程平. 图计算在反洗钱领域的应用. 金融会计. 2023(10): 65-72 . 百度学术
    57. 刘俊奇. 联合编码属性图聚类算法研究. 信息记录材料. 2022(04): 176-178 . 百度学术
    58. 熊晗. 图神经网络的开发与应用研究. 电视技术. 2022(04): 142-145 . 百度学术
    59. 杜雨晅，王巍，张闯，郑小丽，苏嘉涛，王杨洋. 基于自适应图卷积注意力神经协同推荐算法. 计算机应用研究. 2022(06): 1760-1766 . 百度学术
    60. 任嘉睿，张海燕，朱梦涵，马波. 基于元图卷积的异质网络嵌入学习算法. 计算机研究与发展. 2022(08): 1683-1693 . 本站查看
    61. 徐上上，孙福振，王绍卿，董家玮，吴田慧. 基于图神经网络的异构信任推荐算法. 计算机工程. 2022(09): 89-95+104 . 百度学术
    62. 张博，宋淑彩，赵一航. 基于GCN的节点分类研究. 河北建筑工程学院学报. 2022(02): 196-200 . 百度学术
    63. 卢锦玲，周阳，颜禄涵，张艺萱. 基于残差时空图神经网络的电力系统暂态稳定评估. 电力科学与工程. 2022(09): 54-64 . 百度学术
    64. 罗袆沅，蒋亚楠，许强，廖露，燕翱翔，刘陈伟. 基于深度学习的滑坡位移时空预测. 测绘学报. 2022(10): 2160-2170 . 百度学术
    65. 邢小雷，赵超，郑江文，温可欣. 图神经网络预训练综述. 小型微型计算机系统. 2022(12): 2487-2498 . 百度学术
    66. 闫如雪，余泽霖，刘泽宇. 基于高效层级学习图卷积网络的高光谱图像分类. 电脑与信息技术. 2022(06): 15-17+50 . 百度学术
    67. 邹长宽，田小平，张晓燕，张雨晴，杜磊. 基于GraphSage节点度重要性聚合的网络节点分类研究. 科学技术与工程. 2022(32): 14306-14312 . 百度学术
    68. 王宏朝，李魏琦，郭耀华，刘瀛，焦秀秀. 基于安全监测公共服务平台的企业供应链安全风险预控方法研究. 物流科技. 2022(20): 28-32 . 百度学术

    其他类型引用(305)

    • 资源附件(0)
计量
  • 文章访问数:  5828
  • HTML全文浏览量:  143
  • PDF下载量:  4381
  • 被引次数: 373
出版历程
  • 发布日期:  2021-12-31

目录

摘要
HTML全文
    参考文献(0)
    相关文章
    施引文献
    资源附件(0)

    /

    返回文章
    返回
    邮件订阅 RSS
    微信订阅号<br/>（实时资讯）

    微信订阅号
    （实时资讯）

    微信服务号<br/>（同步网站）

    微信服务号
    （同步网站）

    微信视频号<br/>（视频分享）

    微信视频号
    （视频分享）

    CCF<br/>（扫码入会）

    CCF
    （扫码入会）

    版权所有 © 《计算机研究与发展》编辑部

    本系统由北京仁和汇智信息技术有限公司开发  百度统计