資料內(nèi)容：
1.5.1圖特征選擇
現(xiàn)實世界中的數(shù)據(jù)通常是高維度的，并且存在嘈雜的、不相關(guān)和多余的特征（或
維度），尤其是在考慮給定任務時。特征選擇旨在自動地選擇一小部分特征，這些子
集具有最小的冗余度，但與學習目標（例如在監(jiān)督學習中的類標簽）有最大相關(guān)性。
在許多應用中，原始特征對于知識提取和模型解釋至關(guān)重要。例如，在用于研究癌
癥的遺傳分析中，除了區(qū)分癌組織，鑒定誘導癌發(fā)生的基因（即原始特征）更重要。
在這些應用中，特征選擇是優(yōu)先考慮的，因為它可以保留原始特征，并且它們的語
義通常為學習問題提供關(guān)鍵的見解和解釋。傳統(tǒng)特征選擇假定數(shù)據(jù)實例是獨立同分
布的（i.i.d.）。然而，許多應用中的數(shù)據(jù)樣本都鼠人在圖上，因此它們在本質(zhì)上不是
獨立同分布的，這推動了圖特征選擇的研究領域。給定圖g = {v,£},其中V是節(jié)
點集，是邊集，假設每個節(jié)點最初都與一組維度為d的特征T =
相關(guān)聯(lián)。圖特征選擇旨在從尸中選擇K個特征，其中K " 首先，在有監(jiān)督的
情況下對該問題進行了研究【5, 6】。這些方法使用線性分類器將所選特征映射到類別標
簽，并引人圖正則化項，以捕獲結(jié)構(gòu)信息來選擇特征。特別地，該正則項旨在確保具
有所選特征的連接的節(jié)點可以映射到相似的標簽中。然后，在無監(jiān)督的情況下對問題
進行了進一步研究【7，&9j。在文獻［9］中，它首先從結(jié)構(gòu)信息中提取偽標簽，然后用偽
標簽充當監(jiān)督信息指導特征選擇過程。在文獻⑺中，假定節(jié)點內(nèi)容和結(jié)構(gòu)信息都是
從一組高質(zhì)量的特征中生成的，而這些特征可以通過最大化生成過程獲得。在后續(xù)的
工作中，問題從簡單圖擴展到復雜圖，例如動態(tài)圖【1。}、多維圖皿］、有符號圖2.13］
和屬性圖網(wǎng)。第1章緒論
1.5.2圖表示學習
與圖特征選擇不同，圖表示學習是學習一組新的節(jié)點特征，它已經(jīng)被深入研究了
數(shù)十年，并且通過深度學習得到了極大的加速。本節(jié)將簡要回顧從淺層模型到深層模
型的歷史過程。
在早期階段，圖表示學習已經(jīng)在譜聚類【15, 16｝、基于圖的降維［17,18,19］和矩陣分
解［0 18. 19］的背景下進行了研究。在譜聚類中，數(shù)據(jù)點被視為圖的節(jié)點，然后聚類
問題變成了將圖劃分為節(jié)點社區(qū)。譜聚類的關(guān)鍵一步是譜嵌入，它旨在將節(jié)點嵌入低
維空間中，在該空間中可以將傳統(tǒng)的聚類算法（如K-Means ）應用于識別聚類。基
于圖的降維技術(shù)可以直接應用于學習節(jié)點表示。這些方法通?；跀?shù)據(jù)樣本的原始特
征，使用預定義的距離（或相似度）函數(shù)構(gòu)建親和度圖，然后通過保留該親和度圖的
結(jié)構(gòu)信息學習節(jié)點表示。例如，IsoMap網(wǎng)通過測地線保留全局幾何，而LLEP9】和
eigenmap阿保留親和圖中的局部鄰域信息。因為前述方法經(jīng)常需要在親和矩陣（鄰
接矩陣或拉普拉斯矩陣）上進行特征分解，所以它們通常具有很高的計算復雜度。矩
陣是表示圖（例如鄰接矩陣和拉普拉斯矩陣）最流行的方法之一。矩陣分解可以自然
地應用于學習節(jié)點表示。使用鄰接矩陣來表示圖作為示例，矩陣分解的目的是將節(jié)點
嵌入低維空間中，在該空間中可以利用新的節(jié)點表示重建鄰接矩陣。文檔語料庫可以
表示以文檔和單詞為節(jié)點的二分圖，如果一個單詞出現(xiàn)在某個文檔中，貝9單詞和對應
的文檔之間存在一條邊。LSI已采用截斷奇異值分解（truncated SVD）學習文檔和
單詞的表示形式網(wǎng)。在推薦系統(tǒng)中，用戶和商品之間的交互可以表示為二分圖。矩
陣分解既被用于推薦系統(tǒng)學習用戶和商品的表示⑵】，也被用于節(jié)點分類【22, 23］、鏈接
預測【2」,2切和社區(qū)檢測｛26｝等任務學習節(jié)點表示。實際上，后文介紹的一系列最新的
圖嵌入算法也可以歸為矩陣分解【27］。
