图神经网络进展概述

近几年，图神经网络（GNNs）取得了显著的发展，相关研究论文在近期的会议中大量发布。本文旨在为读者提供GNN的简要介绍及最新研究成果的总结，希望能帮助那些想要了解这一领域或跟上最新技术的人。

什么是图神经网络？

图是一种数据结构，由节点（顶点）和连接这些节点的边组成，边可以是有向或无向的。每个节点都有一组特征，这些特征可以表示节点的属性，或者是热编码（One-hot）信息，而边则定义了节点之间的关系。

在典型的GNN中，信息通过边在相邻节点之间进行传递。简单来说，消息是通过神经网络编码的信息，从一个节点传递到它相连的邻居节点。在每个神经层中，通过聚合所有邻居节点的信息来计算当前节点的表示。经过多轮消息传递，最终可以获得每个节点的向量表示，这种表示同时反映了节点的特征信息以及其周围邻域的图结构。

GNN最新论文简介

1、XGNN：TowaRds Model-Level Explanations of GRaph NeuRal NetwoRks

神经网络的一个主要问题在于它们常常被视为黑匣子，由于缺乏对神经决策的解释，它们在关键决策中的应用受到限制。现有的方法通常依赖于梯度、稀疏性以及前向传播过程中生成的激活来解释输出，但这些方法的有效性不高，尤其是在GNNs中。

这篇发表在KDD2020的论文提出了一种新方法XGNN，通过结合生成性方法与强化学习，旨在解决这一问题。这种方法能够用于获取信息，从而帮助理解、验证甚至提升训练好的GNN模型。

论文解析：

2、NeuRal DynaMics on CoMplex NetwoRks

该研究集中于解决复杂网络中连续时间动态捕捉的挑战。作者提出了一种将常微分方程（ODEs）与GNNs结合的方法，以有效模拟系统的结构和动态，从而更好地理解、预测和控制复杂网络。

论文解析：

3、CoMpetITive analysis foR Points of InteRest

这篇来自百度研究的论文探讨了GNNs的实际应用，旨在为提供类似产品或服务的相邻企业之间建立消费者选择模型。为预测兴趣点（poi）之间的竞争关系，论文开发了一个基于GNN的深度学习框架DeepR，集成了poi的异构用户行为数据、业务评论及地图搜索数据。

论文解析：

4、CoMpRehensive information integration Modeling FRaMewoRk foR Video TITling

阿里巴巴集团的这篇文章旨在利用消费者生成的产品评论视频，更好地理解他们的偏好，并向潜在客户推荐相关视频。由于这些视频往往缺乏正确标记，论文提出了一种基于主题层次和交互因素的二级视频摘要生成方法。

论文解析：

5、Knowing YouR FATE:Explanations foR User EngageMent PRediction on Social apps

SnaPChat团队的这篇文章研究了社交媒体应用中用户的参与度，提出了一个端到端的神经网络框架来预测用户参与度，考虑了好友数量和质量、用户发布内容的相关性、用户行为及时间因素。这是GNNs最直观的应用之一。

论文解析：