摘要
图结构数据在化学、自然语言语义、社交网络和知识库等领域中频繁出现。在这项研究中，我们探讨了针对图结构输入的特征学习技术。我们的起点是先前关于图神经网络（Scarselli等人，2009年）的工作，我们对其进行了改进，引入了门控循环单元和现代优化技术，并将其扩展到输出序列。最终结果是一类灵活且广泛适用的神经网络模型，当问题具有图结构时，该模型相对于纯基于序列的模型（如LSTM）具有更有利的归纳偏置。我们在一些简单的AI任务（例如bAbI）和图算法学习任务上展示了其能力。随后，我们在一个程序验证问题上证明了其性能达到了当前最佳水平，在该问题中需要将子图与抽象数据结构进行匹配。