GNN网络

视频链接：1-图神经网络应用领域分析_哔哩哔哩_bilibili

参考链接：GNN的理解与研究_江南綿雨的博客-CSDN博客

GNN 

应用领域：

• 场景分析与问题推理、推荐系统、欺诈检测、知识图谱、道路交通、自动驾驶、化学医疗场景

图

 

• GNN 又称图神经网络，是一种直接作用于图结构的神经网络，我们可以把图中的每一个节点 V 当作个体对象，而每一条边 E  当作个体与个体间的某种联系，所有节点组成的关系网就是最后的图 U 
• GNN主要用于解决输入数据不规则的时候，由于图像和文本任务中输入格式很固定，因此图模型并不常用。 图网络和其他的神经网络类似都是需要进行特征提取

邻接矩阵

用于表示节点之间相邻的情况，由于图的稀疏性，因此一般的邻接矩阵不是一个N*N的矩阵，而保留了（source,target)的形式。

GNN的更新

 每个点通过与它相邻的邻居来进行更新，更新的方式可以自己设置。GNN也可以设置为多层结构，此时输入和输出都是特征，邻接矩阵不会改变，但每个点上面的特征会发生改变。多层的GNN会包含更多的邻居，相当于此时的感受野增大，当每个点具有全局的特征时，此时类似于transformer的形式。

GCN

• GCN是GNN 形式的一种，区别是两者聚合的形式不一样，GCN通过采用卷积来进行汇总。
• 在图中每个点的邻居是不确定的，GCN也要完成特征提取操作，只不过输入的对象不是固定格式,GCN通过神经网络来获取特征。通常只需要交给GCN两样东西：各节点输入特征、网络结构图

GCN的优势

Semi-supervised learning。GCN 不需要全部标签，用少量标签也能训练，计算损失时只用有标签的。

        因为有标签和无标签之间具有连续，当有标签得到的结果较好，无标签的形式也要非常好。

 基本思想

平均其邻居特征（包括自身）然后传入神经网络中得到新的特征，每次进行更新的时候邻接矩阵的结构都不发生改变，只是点上的向量发生改变。

网络层数

和卷积类似，GCN也可以做多层，每一层的输入也是节点特征，然后将当前特征与网络结构图继续传入下层就可以不断算下去了。

图中的基本组成

                        节点的度：用于表示每个点与多少个节点具有关系

特征计算方法

邻接矩阵和特征矩阵进行乘法操作，表示聚合邻居信息。由于每个节点的度不一样，如果直接相加进行计算会导致度大的节点特征较大，与实际情况不符合，因此对矩阵左乘以度矩阵（各节点的度矩阵加上单位矩阵）的倒数 ，相当于对行进行归一化操作，为了保持一致性，我们还需要右乘对列进行归一化操作，由于一个数值做了两遍归一化的操作，因此我们可以左右的矩阵都开根号处理。

                                 

        其中H代表更新后的特征，W代表神经网络上的权重，σ是激活函数。