【白话】图神经网络 (Graph Neural Network)-CSDN博客

本文链接：https://blog.csdn.net/qq_28791753/article/details/144059422

图神经网络 (Graph Neural Network)

引言

图神经网络（Graph Neural Network, GNN）是一种专门处理图结构数据的深度学习模型。图结构数据广泛存在于实际生活中，例如社交网络、推荐系统、生物网络等。GNN能够有效地捕捉图中节点和边之间的关系，并进行预测和分类任务。

什么是图？

在介绍GNN之前，我们先了解一下什么是图。一个图由节点（Vertices）和边（Edges）组成，用于表示实体和实体之间的关系。

节点 (Node/Vertex)：表示实体，例如社交网络中的人、推荐系统中的产品等。
边 (Edge)：表示实体之间的关系，例如社交网络中的朋友关系、推荐系统中的相似度关系等。

图的表示

一个图可以用一个节点集合和一个边集合来表示：
[ G = (V, E) ]
其中，( V ) 是节点集合，( E ) 是边集合。

什么是图神经网络？

图神经网络是一类能够在图结构数据上进行学习的神经网络模型。GNN通过迭代地更新每个节点的特征向量，来捕捉节点之间的关系和图的全局信息。

GNN的基本思想

GNN通过以下步骤进行特征更新：

消息传递 (Message Passing)：每个节点从其邻居节点接收信息，并对接收到的信息进行聚合。
特征更新 (Feature Update)：每个节点根据接收到的信息更新自己的特征向量。

这一过程通常会迭代多次，使得每个节点能够逐渐获取到更远邻居的信息。

GNN的应用

GNN在许多领域有广泛应用，包括但不限于：

社交网络分析：预测用户之间的连接关系、用户行为分析等。
推荐系统：根据用户与产品之间的关系进行个性化推荐。
化学分子分析：预测分子的物理化学性质、药物发现等。
自然语言处理：句子或文档结构建模、语义分析等。

实际应用示例

下面是一个使用Python和PyTorch Geometric库实现简单GNN并进行节点分类任务的示例代码：

安装依赖

首先，我们需要安装PyTorch Geometric库：

pip install torch
pip install torch-geometric

示例代码

import torch
import torch.nn.functional as F
from torch_geometric.nn import GCNConv
from torch_geometric.datasets import Planetoid

# 加载Cora数据集
dataset = Planetoid(root='/tmp/Cora', name='Cora')

class GCN(torch.nn.Module):
    def __init__(self):
        super(GCN, self).__init__()
        self.conv1 = GCNConv(dataset.num_node_features, 16)
        self.conv2 = GCNConv(16, dataset.num_classes)

    def forward(self, data):
        x, edge_index = data.x, data.edge_index
        x = self.conv1(x, edge_index)
        x = F.relu(x)
        x = F.dropout(x, training=self.training)
        x = self.conv2(x, edge_index)
        return F.log_softmax(x, dim=1)

# 初始化模型和优化器
model = GCN()
optimizer = torch.optim.Adam(model.parameters(), lr=0.01, weight_decay=5e-4)

# 训练模型
def train():
    model.train()
    optimizer.zero_grad()
    out = model(dataset[0])
    loss = F.nll_loss(out[dataset[0].train_mask], dataset[0].y[dataset[0].train_mask])
    loss.backward()
    optimizer.step()

# 测试模型
def test():
    model.eval()
    logits, accs = model(dataset[0]), []
    for _, mask in dataset[0]('train_mask', 'val_mask', 'test_mask'):
        pred = logits[mask].max(1)[1]
        acc = pred.eq(dataset[0].y[mask]).sum().item() / mask.sum().item()
        accs.append(acc)
    return accs

for epoch in range(200):
    train()
    train_acc, val_acc, test_acc = test()
    print(f'Epoch: {epoch:03d}, Train Acc: {train_acc:.4f}, Val Acc: {val_acc:.4f}, Test Acc: {test_acc:.4f}')