KGCN---pytorch代码（2）---aggregator(1)

最后

不知道你们用的什么环境，我一般都是用的Python3.6环境和pycharm解释器，没有软件，或者没有资料，没人解答问题，都可以免费领取（包括今天的代码），过几天我还会做个视频教程出来，有需要也可以领取~

给大家准备的学习资料包括但不限于：

Python 环境、pycharm编辑器/永久激活/翻译插件

python 零基础视频教程

Python 界面开发实战教程

Python 爬虫实战教程

Python 数据分析实战教程

python 游戏开发实战教程

Python 电子书100本

Python 学习路线规划

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化学习资料的朋友，可以戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

    self.aggregator = aggregator
    
def forward(self, self_vectors, neighbor_vectors, neighbor_relations, user_embeddings, act):
    #当前节点的向量（self_vectors），邻居节点的向量（neighbor_vectors），邻居关系（neighbor_relations），以及用户嵌入（user_embeddings），act（激活函数
    batch_size = user_embeddings.size(0)    #获取当前批次的大小
    if batch_size != self.batch_size:
        self.batch_size = batch_size    #如果不同，它会更新 batch_size 属性以反映这一变化。这确保了模型可以灵活地处理不同批量大小的输入。
    neighbors_agg = self._mix_neighbor_vectors(neighbor_vectors, neighbor_relations, user_embeddings)  #聚合邻居节点的信息
    #结合了邻居向量、邻居关系和用户嵌入，生成一个聚合后的邻居向量（neighbors_agg）

    if self.aggregator == 'sum':    #将当前节点的向量（self_vectors）与聚合后的邻居向量（neighbors_agg）相加，然后调整形状以符合维度要求
        output = (self_vectors + neighbors_agg).view((-1, self.dim))
        
    elif self.aggregator == 'concat':  #则将当前节点的向量和聚合后的邻居向量沿最后一个维度（dim=-1）拼接起来，之后再调整形状以确保向量的维度是 2 * self.dim
        output = torch.cat((self_vectors, neighbors_agg), dim=-1)
        output = output.view((-1, 2 * self.dim))
        
    else:   #直接使用聚合后的邻居向量，调整其形状以符合维度要求
        output = neighbors_agg.view((-1, self.dim))  #自动计算新形状的第一个维度的大小，以便总的元素数量与原始张量相匹配
        
    output = self.weights(output)     #通过在初始化时定义的线性层（self.weights）对输出向量进行变换
    return act(output.view((self.batch_size, -1, self.dim)))  #使用传入的激活函数（act）对线性变换后的输出进行处理，并调整形状，使其符合 (batch_size, -1, self.dim) 的格式。
    
def _mix_neighbor_vectors(self, neighbor_vectors, neighbor_relations, user_embeddings):
    '''
    This aims to aggregate neighbor vectors
    '''
    # [batch_size, 1, dim] -> [batch_size, 1, 1, dim]    #将 user_embeddings 的形状从 [batch_size, 1, dim] 调整为 [batch_size, 1, 1, dim]
    user_embeddings = user_embeddings.view((self.batch_size, 1, 1, self.dim))
    
    # [batch_size, -1, n_neighbor, dim] -> [batch_size, -1, n_neighbor]
    #通过将 user_embeddings 与 neighbor_relations 相乘并沿着最后一个维度（dim = -1）求和，计算每个邻居对当前用户的关系得分。结果是一个形状为 [batch_size, -1, n_neighbor] 的张量，表示每个邻居对当前节点的重要性得分
    user_relation_scores = (user_embeddings * neighbor_relations).sum(dim = -1)
    user_relation_scores_normalized = F.softmax(user_relation_scores, dim = -1)
    
    # [batch_size, -1, n_neighbor] -> [batch_size, -1, n_neighbor, 1]
    #在得分张量的最后添加一个维度，将其形状从 [batch_size, -1, n_neighbor] 调整为 [batch_size, -1, n_neighbor, 1]
    user_relation_scores_normalized = user_relation_scores_normalized.unsqueeze(dim = -1)

    
    # [batch_size, -1, n_neighbor, 1] * [batch_size, -1, n_neighbor, dim] -> [batch_size, -1, dim]
    #将标准化后的关系得分与邻居向量进行元素级乘法，然后沿第二个维度（dim = 2，即 n_neighbor 维度）求和。这个操作实际上是对每个节点的所有邻居向量进行加权平均，权重由邻居的重要性得分确定。
    neighbors_aggregated = (user_relation_scores_normalized * neighbor_vectors).sum(dim = 2)
    
    return neighbors_aggregated

## Aggregator类：


### \_\_init\_\_：


#### 1.self.batch\_size



> 
> 输入样本的批量大小
> 
> 
> 


#### 2.self.dim



> 
> 向量的维度
> 
> 
> 


#### 3.self.weights



> 
> 根据 aggregator 的值初始化不同的权重。如果是 'concat'，则使用一个将维度从 2 \* dim 减少到 dim的线性变换；否则，使用维度为 dim 到 dim 的线性变换。
> 
> 
> 


#### 4.self.aggregator



> 
> 聚合方法：sum / concat / neighbor（利用邻域表示来代替 v 结点的表示）
> 
> 
> 


### forward：



> 
> 将当前节点的向量（self\_vectors）与邻居节点的向量（neighbor\_vectors）+邻居关系（neighbor\_relations）+以及用户嵌入（user\_embeddings）+act（激活函数）结合
> 
> 
> 



> 
> 1. 利用neighbor\_vectors, neighbor\_relations, user\_embeddings聚合邻居节点的信息
> 2. sum：将当前节点的向量（self\_vectors）与聚合后的邻居向量（neighbors\_agg）相加，然后调整形状以符合维度要求
> 3. concat：将当前节点的向量和聚合后的邻居向量沿最后一个维度（dim=-1）拼接起来，之后再调整形状以确保向量的维度是 2 \* self.dim
> 4. neighbor：直接使用聚合后的邻居向量，调整其形状以符合维度要求
> 
> 
> 


### \_mix\_neighbor\_vectors：




学好 Python 不论是就业还是做副业赚钱都不错，但要学会 Python 还是要有一个学习规划。最后大家分享一份全套的 Python 学习资料，给那些想学习 Python 的小伙伴们一点帮助！



### 一、Python所有方向的学习路线



Python所有方向路线就是把Python常用的技术点做整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。



![](https://img-blog.csdnimg.cn/img_convert/9f49b566129f47b8a67243c1008edf79.png)



### 二、学习软件

工欲善其事必先利其器。学习Python常用的开发软件都在这里了，给大家节省了很多时间。



![](https://img-blog.csdnimg.cn/img_convert/8c4513c1a906b72cbf93031e6781512b.png)



### 三、全套PDF电子书



书籍的好处就在于权威和体系健全，刚开始学习的时候你可以只看视频或者听某个人讲课，但等你学完之后，你觉得你掌握了，这时候建议还是得去看一下书籍，看权威技术书籍也是每个程序员必经之路。

![](https://img-blog.csdnimg.cn/img_convert/46506ae54be168b93cf63939786134ca.png)



### 四、入门学习视频

我们在看视频学习的时候，不能光动眼动脑不动手，比较科学的学习方法是在理解之后运用它们，这时候练手项目就很适合了。



![](https://img-blog.csdnimg.cn/afc935d834c5452090670f48eda180e0.png?x-oss-process=image/watermark,type_d3F5LXplbmhlaQ,shadow_50,text_Q1NETiBA56iL5bqP5aqb56eD56eD,size_20,color_FFFFFF,t_70,g_se,x_16#pic_center)



### 五、实战案例



光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。



![](https://img-blog.csdnimg.cn/img_convert/252731a671c1fb70aad5355a2c5eeff0.png)



### 六、面试资料

我们学习Python必然是为了找到高薪的工作，下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料，并且有阿里大佬给出了权威的解答，刷完这一套面试资料相信大家都能找到满意的工作。



![](https://img-blog.csdnimg.cn/img_convert/6c361282296f86381401c05e862fe4e9.png)  

![](https://img-blog.csdnimg.cn/img_convert/d2d978bb523c810abca3abe69e09bc1a.png)




**网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。**

**[需要这份系统化学习资料的朋友，可以戳这里获取](https://bbs.csdn.net/topics/618317507)**

**一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！**