双曲图神经网络：方法与应用综述
摘要
欧几里得空间中的图表示学习尽管在许多领域被广泛采用并已被证明具有实用价值，却常常难以有效捕捉真实世界数据中普遍存在的固有层次化与复杂关系结构，尤其是对于具有高度非欧几里得潜在结构或幂律分布的数据集。双曲几何具有常负曲率和指数增长特性，能够自然地容纳此类结构，为学习丰富的图表示提供了一种有前景的替代方案。本综述论文对快速发展的双曲图学习（HGL）领域进行了全面回顾。我们系统地对现有方法进行分类和分析，将其大致划分为（1）基于双曲图嵌入的技术，（2）基于图神经网络的双曲模型，以及（3）新兴范式。除方法论外，我们广泛讨论了 HGL 在多个领域的多样化应用，包括推荐系统、知识图谱、生物信息学及其他相关场景，展示了双曲几何在真实世界图学习任务中的广泛适用性与有效性。最为重要的是，我们指出了若干关键挑战，作为推进 HGL 的研究方向，包括处理复杂数据结构、开发几何感知的学习目标、确保可信且可扩展的实现，以及与基础模型（如大语言模型）的集成。我们强调了这一令人振奋的交叉学科领域中颇具前景的研究机遇。完整的资源库可在 https://github.com/digailab/awesome-hyperbolic-graph-learning 获取。
引用
@article{arxiv.2202.13852,
title = {Hyperbolic Graph Neural Networks: A Review of Methods and Applications},
author = {Menglin Yang and Min Zhou and Tong Zhang and Jiahong Liu and Zhihao Li and Lujia Pan and Hui Xiong and Irwin King},
journal= {arXiv preprint arXiv:2202.13852},
year = {2025}
}
备注
The latest draft was circulated under the title "Hyperbolic Graph Learning: A Comprehensive Review." The present arXiv version retains the original title, "Hyperbolic Graph Neural Networks: A Review of Methods and Applications," for consistency, while incorporating substantial revisions and extensions