摘要
二十一世纪以来，随着计算能力的快速发展和大数据的爆发式增长和其可用性产生了大量的深度学习算法。随后，深度学习在各个领域内得到了广泛的应用并取得了令人印象深刻的成果。近年来，基于图论基础和复杂网络的相关理论，大量的数据都被处理为图结构数据，深度学习中的图神经网络(GraphNeuralNetwork,GNN)算法在相关问题中发挥出了巨大的作用。本文旨在利用图论和复杂网络的相关知识对GNN方法进行研究和探索，并将其应用在生物医学、自然语言处理和推荐系统等相关领域，主要研究成果包括: 1.基于CNN的脑图注意力网络构建及其在AD预测中的应用 阿尔茨海默病(Aizheimer''sDisease,AD)是一种慢性神经退行性疾病，在早期对患者进行识别和诊断有助于延缓疾病的发生，甚至逆转疾病的进程。基于功能性核磁共振数据和图论相关理论，通过构建脑网络，我们提出了一种新的图神经网络框架，基于卷积神经网络(ConvolutionalNeuralNetwork,CNN)的脑图注意力网络(BGANC)，并将其用于AD诊断。实验结果表明，我们的模型优于其他对比模型，这说明了BGANC是一个有效的AD分类模型。此外，我们的模型可以为个性化疾病诊断提供可解释性。 2.文本图双曲注意力网络构建及其在文本分类中的应用 文本分类是自然语言处理中一个重要的经典问题。通过利用文本和文本之间的相似性构建文本图。文本图是一个无标度网络具有复杂网络的典型特征。利用无标度网络双曲几何结构，基于双曲空间的相关理论知识，结合注意力机制，我们提出使用双曲图注意力网络将文本图网络嵌入到双曲空间中，同时进行文本分类。我们在四个公开的文本分类数据集上进行了大量的实验。实验结果表明，我们提出的模型TextGHAT在数据集上取得了优异的结果。 3.解耦图注意力网络构建及其在关系预测中的应用 关系预测在许多领域中都是一个基本而重要的问题。在现实世界中，关系通常具有耦合性和异质性，这些复杂的性质使得进行准确的关系预测变得非常困难。通过利用关系之间丰富的辅助信息和拓扑结构，我们可以构建关系异质网络。我们充分地考虑了关系异质网络中的耦合性与异质性，利用图论相关知识构建了解耦关系模式理论，并将其应用到GNN的模型设计中。我们提出了一种新的解耦图注意力网络（DecGAT），用于关系预测。我们在三个公开的真实世界数据集上进行了广泛的实验，证明DecGAT优于最先进的图神经网络方法。
NETL