图神经网络（GNN）被广泛用于分析图结构数据。大多数GNN方法对图结构的质量高度敏感，并且通常需要完美的图结构来学习信息性嵌入。但是，图中的噪声无处不在，因此有必要为现实世界中的问题学习可靠的表示形式。为了提高GNN模型的鲁棒性，围绕图结构学习（GSL）的中心概念提出了许多研究，旨在共同学习优化的图结构和相应的表示形式。为此，在提出的调查中，我们广泛回顾了GSL方法在学习鲁棒表示中的最新进展。具体来说，我们首先制定GSL的一般范式，然后回顾按模型结构建模方式分类的最新方法，其次是将GSL理念纳入其他图形任务的应用程序。最后，我们指出了当前研究中的一些问题，并讨论了未来的方向。



"点击查看英文标题和摘要"