【学习小记】基于图神经网络的图表征学习方法

能学一点是一点吧。本次教程依旧来自DataWhale.基于图神经网络的图表征学习方法
图表征学习，一言以蔽之，用图学图。

基于图同构网络（GIN）的图表征网络的实现

图同构网络（Graph Isomorphism Network, GIN）的图表征网络是当前最经典的图表征学习网络。该图表征学习主要包含两个过程：

1、首先计算得到节点表征；
2、其次对图上各个节点的表征做图池化（Graph Pooling），或称为图读出（Graph Readout），得到图的表征（Graph Representation）。

基于图同构网络的图表征模块（GINGraphRepr Module）

此模块首先采用GINNodeEmbedding模块对图上每一个节点做节点嵌入（Node Embedding），得到节点表征；然后对节点表征做图池化得到图的表征；最后用一层线性变换对图表征转换为对图的预测。先带着问题往下看，节点嵌入是什么意思？

基于图同构网络的节点嵌入模块

首先看一下节点嵌入，回答上面的问题：方法的目标是将节点编码为低维向量，这些低维向量总结了它们的图位置和它们的局部图邻域的结构。例如之前的例子中，节点（原子）和边（化学键）的属性都为离散值，它们属于不同的空间，无法直接将它们融合在一起。通过嵌入（Embedding），我们可以将节点属性和边属性分别映射到一个新的空间，在这个新的空间中，我们就可以对节点和边进行信息融合。

看了半天理论分析并做下作业。。。今天实在是状态差做不动笔记了。估计没对