图挖掘任务产生于许多不同的应用领域，包括社交网络、交通运输和电子商务等，近年来受到了理论界和算法设计界的高度关注，也有一些开创性的工作采用了强大的强化学习（RL）技术来解决图谱数据挖掘任务。然而，这些图挖掘方法和RL模型分散在不同的研究领域，这使得我们很难对它们进行比较。在这篇综述中，我们对RL和图挖掘方法进行了全面的概述，并将这些方法概括为图强化学习（GRL）作为其统一表述。我们进一步讨论了GRL方法在各个领域的应用，并总结了GRL方法的方法描述、开源代码和基准数据集。此外，我们还提出了未来需要解决的重要方向和挑战。据我们所知，这是关于GRL全面调查的最新工作，这项工作为学者们提供了一个全球视角和学习资源。此外，我们为想进入这个快速发展的领域的感兴趣的学者和想比较GRL方法的专家创建了一个在线开放源码https://github.com/neunms/Reinforcement-learning-on-graphs-A-survey。
论文地址: http://doi.org/10.48550/arXiv.2204.06127
-
[[item.user_1.username]] at [[item.time]]
-
[[item.user_1.username]] [[item.time]]
- 点击加载更多……
没有新消息