关于#图神经网络#的问题，如何解决？

Question

(Sub)graph Embeddings，对一个图的子图计算embedding，主要的方法有直接加权子图中每一个节点的embedding，将子图当成一个虚拟节点，加入到图神经网络的计算中，逐层的聚合节点。逐层聚合的步骤如下：使用GNN计算节点的embedding，将节点聚合在一起，使得图变成一个粗粒度的图，在粗粒度的图上运行GNN，重复。
您好，看了您这篇文章

https://blog.csdn.net/r1254/article/details/88343349
对这个子图很感兴趣，但是在网上没找到多少相关的文章，您能推荐几篇子图神经网络的入门论文嘛，万分感谢！

Answer 1

给你找了几篇，推荐b站一个同济子豪兄的博主，你可以去看看。

1. Graph Convolutional Networks: A Comprehensive Review：该论文介绍了图卷积网络（GCN）的基本概念和原理，以及它们在各种应用中的成功例子。该论文还概述了GCN的各种变体，包括时空GCN、深度GCN和图注意力网络。
2. Graph Attention Networks：该论文提出了一种新型的图神经网络模型，称为图注意力网络（GAT）。该模型使用注意力机制来学习节点之间的关系，并且可以处理图中的不同类型的边。
3. GraphSAGE: Inductive Representation Learning on Large Graphs：该论文提出了一种新型的图神经网络模型，称为GraphSAGE。该模型使用随机游走来采样节点的邻居，并使用神经网络来学习节点的表示。
4. Simplifying Graph Convolutional Networks：该论文提出了一种简化版的图卷积网络（GCN）模型，称为GCNII。该模型通过减少参数数量和减少计算成本来提高GCN的效率。
5. Gated Graph Sequence Neural Networks：该论文提出了一种新型的图神经网络模型，称为GGNN。该模型使用循环神经网络（RNN）来学习图中节点之间的依赖关系，并且可以处理动态图。