用 Pytorch 实现一个简单的图卷积神经网络

用 Pytorch 实现一个简单的图卷积神经网络

深度学习在序列化数据的处理上取得了良好的效果, 但对于非欧空间中的数据处理问题却长时间难以突破. 在 2017 年, Kipf 等人在图神经网络上利用信号处理中的谱方法成功实现了卷积操作, 将卷积神经网络成功应用在图上, 即图卷积神经网络 (Graph Convolutional Network) 开启了在图上进行深度学习的新时代.

本文通过利用 GCN 实现一个简单的图数据集的分类问题展示图神经网络的效果

本文不会涉及到任何 GCN 的理论知识, 仅适用于想体验 GCN 的效果的朋友们尝鲜.

数据集介绍

Zachary karate club 是一个美国大学空手道俱乐部的社会网络图, 网络中包含 $34$ 个节点和 $78$ 条边, 分别表示 $34$ 位成员和他们之间的关系, 若两成员间有边存在, 则该两位成员存在友谊关系. 详细信息可以在这里看到. 在该网络中, 俱乐部的成员最终分化为由管理员和教练带头的两个组织.

本文使用 networkx 导入数据集.

import networkx as nx
G = nx.karate_club_graph()
print(G.number_of_nodes()) # 34
print(G.number_of_edges()) # 78

GCN 介绍

与普通的卷积神经网络一样, GCN 的原理也是利用堆叠一定卷积层来实现, 层与层之间同样有激活函数.

首先介绍拉普拉斯矩阵 (Laplacian matrix), 定义为
$$L=D-A$$
其中, $A$ 为图的邻阶矩阵, $D$ 为图的度矩阵, $D$ 的定义为
D = { 结 点 i 的 度 ,   i = j 0 ,   o t h e r w i s e \begin{aligned} D = \left\{\begin{matrix} 结点 i 的度 &, \space i=j\\ 0 &, \space otherwise \end{matrix}\right. \end{aligned} D={