深入浅出图神经网络：GNN原理解析（一）

最新推荐文章于 2025-04-19 14:54:13 发布

罗小黑的黑

最新推荐文章于 2025-04-19 14:54:13 发布

阅读量1.6w

点赞数 13

分类专栏：图神经网络 python 文章标签：神经网络机器学习

本文链接：https://blog.csdn.net/luohua13950/article/details/105059231

版权

本文介绍了图神经网络（GNN）的基础知识，从图的基本定义如有向图、无向图、加权图和连通图开始，探讨了图的存储方式如邻接矩阵和遍历方法，包括深度优先和广度优先。文章强调了图数据在社交网络、电子购物等领域的重要性，并预告了接下来将通过Python代码进一步探讨图的定义、存储和性质。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

前言

最近在学习图神经网络相关知识，一起来拆书:《深入浅出图神经网络：GNN原理解析》，这本书从原理、算法、实现、应用四个维度详细讲解了图神经网络。接下来打算结合书本内容和相关知识做个专题记录分享，今天先跟大家聊聊关于图的一些基础知识。

为什么要研究图？

在过去的几年中，神经网络的成功推动了模式识别和数据挖掘的研究。许多机器学习任务，如目标检测、机器翻译和语音识别，曾经严重依赖手工的特征工程来提取信息特征集被各种端到端的深度学习范式（例如卷积神经网络（CNN）、长短期记忆（LSTM）和自动编码器）彻底改变了。

尽管深度学习在欧氏空间中的数据方面取得了巨大的成功，但在许多实际的应用场景中的数据是从非欧式空间生成的，同样需要进行有效的分析。图数据的复杂性对现有的机器学习算法提出了重大挑战，这是因为图数据是不规则的。每个图都有一个大小可变的无序节点，图中的每个节点都有不同数量的相邻节点，导致一些重要的操作（例如卷积）在图像上很容易计算，但不再适合直接用于图域。

近年来，人们对深度学习方法在图数据上的扩展越来越感兴趣。很多数据都是图结构，例如社交网络、经济网络、生物医学网络、信息网络（互联网网站、学术引用）、互联网、神经网络。而网络是它们的通用语言，因此具备极大的研究价值。在深度学习的成功推动下，研究人员借鉴了卷积网络、循环网络和深度自动编码器的思想，定义和设计了用于处理图数据的神经网络结构，由此衍生出一个新的研究热点——“图神经网络（Graph Neural Networks，GNN）”本篇文章就从图的概述入手开始我们的GNN之路。