GNN初学习笔记---未完待续

GNN

图神经网络（GNN） 作为一种处理图数据的强大深度表示学习工具被广泛地应用于节点分类、图分类以及推荐等下游任务中。

GNN是一个邻居聚合策略，一个节点的表示向量，由它的邻居节点通过循环的聚合和转移表示向量计算得来。
我们来想象人类学习知识的过程，在自身具有一定知识的基础上，我们会想要从周围的伙伴那里学习到更多的知识，然后将伙伴给予的信息与自身已有的知识组合起来，更新并获得更高阶的知识，这个过程就是一个消息传递过程。

以下图为例，假设我们要计算 K 时刻红色节点的表示，从消息传递的角度来看，会经历以下步骤：
1）首先从邻居获取信息：计算红色节点周围的四个邻居节点的消息总和。2）对获得的信息加以利用：将获得的消息与 K-1 时刻红色节点本身的表示组合起来，计算得到 K 时刻的红色节点表示。

分类

近年来，基于GNN的模型主要针对以下三类图设计网络：
同构图： 其中每个边只连接两个节点，并且只有一种类型的节点和边。
异质图： 其中每条边只连接两个节点，并且有多种类型的节点或边。
超图： 其中每条边连接两个以上的节点。

HGNN

最近，随着真实世界中异质图应用的激增，学者们提出了异质图神经网络（HGNN），并在一系列应用上取得了优越的效果。
大多数HGNN遵循一种消息传递（message passing）机制，其中节点的表示通过聚合和转换其原始邻居或基于元路径邻居的信息来学习。

定义： 在图中，有不同的节点类型或不同连接关系，即点的类别个数 + 边的类别个数 > 2
举例： 学术异构网络中 ，如图所示，图中有四类节点：组织（O）、作者（A）、论文（P）、会议（V）；其中就包括了各类节点关系，如共同作者关系（AA）、作者发表关系（AP）、合作关系（OA）等。


元路径“APA”表示两位作者（A）之间的论文（P）上的共同作者关系，而“APVPA”代表两位作者（A）发表论文（P） 同一地点（五），作者最后在实验中使用的meta-path是”APVPA”。

参考资料

理解Graph Neural Networks 消息传递机制——多篇论文图神经网络消息传递框架对比
【图网络论文(一)】异构图网络：metapath2vec