人们对图神经网络表达性的理论认识是相当有限的。在某些情况下，使用图神经网络能够显著提高性能，而在其他设置中几乎没有什么差别，这种情况很常见。因为目前还不完全清楚什么时候以及为什么图神经网络运作良好或失败。这个问题很难解决，因为我们必须同时考虑底层图的结构以及图上的数据。对于仅涉及图连通性的图分类问题，最近的研究表明，图神经网络等价于 Weisfeiler-Lehman 图同构检验【8】（一种用于解决图论中一个经典问题的启发式方法，即确定两个图在其节点的排列上是否完全相同）。这个形式主义解释了为什么，例如，图神经网络在非同构图的实例上失败，而这些实例不能通过这个简单的测试来区分。如何在保持低线性复杂度的同时，超越 Weisfeiler-Lehman 测试层次结构，使图神经网络如此具有吸引力，这是一个有待研究的问题。
知识表示 实际上是让知识图谱的实体和关系向量化

opennre



  • openke

  • 知识表示

  • OpenKE是THUNLP基于TensorFlow、PyTorch开发的用于将知识图谱嵌入到低维连续向量空间进行表示的开源框架。在OpenKE中，我们提供了快速且稳定的各类接口，也实现了诸多经典的知识表示学习模型。该框架易于扩展，基于框架设计新的知识表示模型也十分的方便。

  • knowledge representation learning (KRL)

    openne

  • OpenNE: An open source toolkit for Network Embedding

  • The implemented or modified models include DeepWalk, LINE, node2vec, GraRep, TADW, GCN, HOPE, GF, SDNE and LE.
  • NRL(Network Representation Learning）