读论文总是枯燥且难熬呢，于是便尝试在阅读时便对论文进行了知识点的梳理与记录，希望有助于加深理解与记忆。希望这份笔记也能提供一些小小的帮助
本文总结的模型为 CompGCN（Composition-Based Multi-Relational Graph Convolutional Networks）、KGNN （Knowledge-aware Graph Neural Networks with Label Smoothness Regularization for Recommender Systems）
读论文总是枯燥且难熬呢，于是便尝试在阅读时便对论文进行了知识点的梳理与记录，希望有助于加深理解与记忆。希望这份笔记也能提供一些小小的帮助
本文总结的模型为 NRI（Neural Relational Inference for Interacting Systems）、RGCN（Modeling Relational Data with Graph Convolutional Networks）。
几何模型 (geometric models) 研究已经在图像处理、流形学习、信号处理等领域得到了广泛的关注。最近几年也有不少的基于 非欧几里德结构数据 深度学习研究。本文主要对 Monet、EGCN、GraphSage 等模型进行总结。
GCN 的提出打开了网络算法的新世界，但仍有部分局限性。传统注意力机制包括 Attention for image Captioning 和 for Machine Translation。但是传统的注意力目前较少人使用。近期的 seq2seq, transformers 使用的自注意力越来越多人使用。GAT 加入自注意力机制，大大提高了各方面的效果，但其计算资源消耗也大幅度的提高了。在实际应用中，基本上当 GCN 准确率在 70%、80%遇到瓶颈的时候，如果硬件有条件，可以考虑使用 GAT。
不同的数据结构使得学者们创造了不同的特征提取和编码方式，例如 CNN 的卷积核很好地应用在了图像编码上，RNN 的结构更好地提取了文本或者其他序列数据的时间步信息。GCN 的设计是为了对图谱，社交网络等图结构数据有更好的解析能力。
GCN 可以做 节点分类（node classification）、图分类（graph classification）、边预测（link prediction） ，同时也可以提取 图相关的嵌入（graph embedding）