飞桨图神经网络7日打卡训练营-总结

飞桨图神经网络7日打卡训练营-总结

从nlp领域到图领域，图结构的数据越来越多，非规则图像我们都可以构建为一幅图，自然而然我们就可以将GNN的任务分类为三种：（如后图描述）

1. 节点级别：节点分类等
2. 边级别：推荐系统，连边预测
3. 图级别：两图比较，多图匹配

GNN技术分类：

4. 2013年word2vec的出现，给nlp领域带来了曙光，通过嵌入，使得每个单词不是在冷冰冰，稀疏的one-hot编码表示，而是通过skip-gram进行嵌入稠密化，向量语义化。通过移动窗口技术进行一测多 。2014年迁移到图领域从而形成游走派别的deepwalk->node2vec,究其本质，基于游走，遍历越多，信息越丰富
5. 基于矩阵分解
6. 基于神经网络：gcn的出现，给图像领域带来了新生，分为过滤和邻居信息汇聚两大方向 ，而图自然是特殊的图像，所以自然过渡到图领域，结合最近大火的神经网络，在Gpu是进行快速的矩阵运算，训练节点特征并行化，快速化，细粒度化。由汇聚类gcn->gat->graphsage->mpnn，抛开技术不谈，本质都是gcn的邻居信息汇聚，而重点在于汇聚那些邻居，汇聚那些信息 小师妹老师讲的很好。gcn是根据度进行权重分配，而gat是修改了权重分配方式，改为注意力；过渡到graphsage，一样是汇聚，可是samples了，三大主流模型，核心是汇聚。

总结：gnn发展很快，百度的pgl类库好用，符合正常人的代码书写。在结合他们提出的语义-采样聚合模型，是否能启迪我们科研人员，通过将节点的语义信息和结构信息同时汇聚，使得节点表示细粒度化，从而使得我们的特定任务结果更优。

感谢：感谢百度这一次的授课，我真的收获颇丰，谢谢。

图片来源：https://blog.csdn.net/qq_41358220/article/details/110265465