图2vec

graph2vec:学习图的分布式表示。近年来关于图结构数据表示学习的研究主要集中在学习图的子结构(如节点和子图)的分布式表示上。然而,许多图分析任务,如图分类和聚类,需要将整个图表示为固定长度的特征向量。虽然前面提到的方法自然不具备学习这些表示的能力,但图核仍然是获得这些表示的最有效方法。然而,这些问题(如最短路径图等)被精心设计的图等所阻碍。为了解决这一局限性,我们提出了一个名为graph2vec的神经嵌入框架来学习任意大小图的数据驱动分布式表示。graph2vec的嵌入是以一种无监督的方式学习的,并且与任务无关。因此,它们可以用于任何下游任务,如图分类、聚类甚至种子监督表示学习方法。我们在多个基准和大型真实数据集上的实验表明,graph2vec比子结构表示学习方法在分类和聚类精度方面有显著提高,并且与最先进的图核相比具有竞争力。