初探图神经网络

• 输入

• • 每一条文本由n个维度的embedding表征

  • 文本之间存在一定关联，用邻接矩阵adj表示，其为0-1矩阵，0代表两条文本无关联，1代表两条文本有关联

• 输出

• • 正常的分类 or 回归

• 计算逻辑

• • K为网络层数，A为邻接矩阵，W为更新权重，σ为激活函数

  • • 乘法：W对应矩阵相乘变换，

    • 加法：A是0-1矩阵，0代表两条文本无关联，1代表两条文本有关联，每个节点（文本）的特征加和通过邻接矩阵进行操作。下图的Z3 = 特征加和（X1, X2, X3, X4）

    • 非线性：σ对应激活函数，添加非线性

  • 确定好输入输出层，构建好文本 or 序列的embedding表示以及邻接矩阵adj，喂入模型训练，训练过程与其他网络无异，就是在不断更新网络的权值。

  

      

  总结：GCN比CNN多了一邻接矩阵A，A用来表征数据之间的关联，相当于给模型提供了数据之间的关系信息，其余方面与正常的CNN神经网络训练并无差别，就是一个梯度下降的过程。