挖掘图神经网络与矩阵分解之间的关系，56页ppt

图任务无处不在，其应用范围从推荐系统到语言理解，再到具有环境感知识和分子合成的自动化。将机器学习应用于这些任务的一个基本挑战是，以一种ML模型可以轻松利用图中的关系信息(包括节点和边缘特征)的方式编码(表示)图结构。直到最近，这种编码都是通过因子模型(又名矩阵因子化嵌入)来实现的，它可以说起源于1904年的Spearman因子。然而，最近，图神经网络引入了一种新的强大的方法来为机器学习模型编码图。在我的演讲中，我将描述这两种方法，然后介绍一个统一的数学框架，使用群体理论和因果关系将它们联系起来。使用这个新框架，我将介绍生成和使用节点嵌入和图表示的新的实用指南，它修复了目前使用的标准操作过程的重大缺陷。

https://www.anl.gov/event/unearthing-relationships-between-graph-neural-networks-and-matrix-factorization

https://www.cs.purdue.edu/homes/ribeirob/pdf/Ribeiro_Twitter2021.pdf