图提供了数据的通用表示形式。待更新。

1 图论基础

1.1 图的表示

1.2 图的性质

1.2.1 度

1.2.2 连通度

1.2.3 中心性

1.3 谱图论

1.3.1 拉普拉斯矩阵

1.3.2 拉普拉斯矩阵的特征值和特征向量

1.4 图信号处理

1.5 复杂图

1.5.1 异质图

1.5.2 二分图

1.5.3 多维图

1.5.4 符号图

1.5.5 超图

1.5.6 动态图

1.6 图的计算任务

1.6.1 侧重于结点的任务

1.6.2 侧重于图的任务

---

2 图嵌入

2.1 简单图的图嵌入

2.1.1 保留结点共现

2.1.2 保留结构角色

2.1.3 保留结点状态

2.1.4 保留社区结构

2.2 复杂图的图嵌入

2.2.1 异质图嵌入

2.2.2 二分图嵌入

2.2.3 多维图嵌入

2.2.4 符号图嵌入

2.2.5 超图嵌入

2.2.6 动态图嵌入

---

3 图神经网络

3.1 基本框架

3.2 图滤波器

3.3 图池化

3.4 图卷积神经网络的参数学习

---

4 可扩展图神经网络

4.1 逐点采样法

4.2 逐层采样法

4.3 子图采样法

---

5 复杂图神经网络

5.1 异质图神经网络

5.2 二分图神经网络

5.3 多维图神经网络

5.4 符号图神经网络

5.5 超图神经网络

5.6 动态图神经网络

---

6 图上的其他深度学习模型

6.1 图上的自编码器

6.2 图上的循环神经网络

6.3 图上的变分自编码器

6.3.1 用于结点表示学习的变分自编码器

6.3.2 用于图生成的变分自编码器

6.3.3 编码器：推理模型

6.3.4 编码器：生成模型

6.3.5 重建的损失函数

6.4 图上的生成对抗网络

6.4.1 用于结点表示学习的生成对抗网络

6.3.2 用于图生成的生成对抗网络