图神经网络（GNN）综述的总结

图的属性

• 节点（node)
• 边 （edge)
• 整个部分(global)

GNN的应用

• 整体层面，识别整个子图
• 顶点层面， 预测顶点的属性
• 边的层面，预测边的属性

图神经网络的属性

• 节点
• 边
• 连接性
• 全局信息

图神经网络的特点

采用了邻接表的存储结构，在稀疏图中非常有用，可以节省空间和计算
邻接表 —— 使用一个链表，每一个节点存储与节点相连接的节点，由此，图神经网络可以忽略顺序性，无论怎么排列组合，也只需要把邻接表的顺序变一下，本质上与其相连的节点不变。

图神经网络的结构

• 如同其他的神经网络要经过某一种特定的optimizable transform，图神经网络的输入图，在经过若干GNN块之后会得到经过特定变换的图，类似于卷积神经网络的特征提取，之后就是比较熟悉的classification layer了（可以是全连接层，或者是1*1卷积，等等等等）最后得到了我们的预测值
• 图神经网络可以预测子图的属性(global)也可以预测边的属性或者节点的属性

图神经网络的机制

信息传递（以最简单的一个信息传递方式为例子）

图神经网络的信息传递，像卷积神经网络有卷积核提取特征，图神经网络是靠节点，边，全局信息，每一个作为独立的一个属性，都有分别对应的MLP（多层感知机,也可以是其他的模型）对信息进行传递，经过学习后的图的结构是不变的，（对于每个节点，边，全局信息的结构也不会变，相当于图的节点，边， 全局信息都经过了一次学习），这里我们也必须重视图神经网络的另一个属性就是连接性（连接性可以理解为，节点之间属性的联系是边，图神经网络中连接性不只是权重矩阵，节点的连接性体现在每个节点的输入中，这个后续会说），这里虽然更新的了节点，边，全局信息的值，但是并没有提到连接性，如何保证连接性也得到更新呢

推断属性

我们通常可以观察两个人互相之间的动作来推断，两个人的身份（属性），比两个人互相注视并摆出打架的姿态，两个人可能是搏击手，人可以视为节点，动作可以视为，由一个节点引向另一个节点的一个有向边，如果我们不知道节点的属性，我们可以结合边和全局信息来推断节点的属性。
同样的，我们也可以使用边和节点的属性来推测全局的属性，用节点和全局来推断边的属性

汇聚

我们可以利用一个节点与邻居节点，收集自己和邻居的embedding向量，构成一个矩阵，然后聚合每个embedding向量，通常是以求和的形式。然后聚合之后的变量进行信息传递，这样子每个节点都与其他节点保存了联系，后面层数的点可以认为是上一层聚合的结果。（比较像卷积核提取特征，局部空间相关）

在传递信息之前通常都有一个汇聚的过程，很像卷积神经网络的特征提取