一个图数据怎么输入到图神经网络中？

图数据怎么输入到图神经网络

这个问题首先拆解一下，图数据如何用数学表示？

可以使用邻接矩阵A和节点集V表示，每个节点有m个特征，总共有绝对值V个节点，每个节点的m个特征比如婚姻状况，年龄，学历，收入，这就是四个特征，每个节点自己有m个特征。

节点自己也会和其它节点产生连接，和节点自己产生连接的节点称为节点自己的邻域，用N（v）表示，就是v节点的邻域，与节点v相连的所有节点的集合。

节点属性特征如果没有的话，可以全部设置为1，当然也可以设为独热向量，独热向量就是只有一个特征是1，其它都是0，比如哪个省的人，山西省的人的话，那就是山西这个特征是1，其它都是0。

分析：邻接矩阵A涵盖了这张图所有的节点信息和节点连接信息。

上面这些图应用场景都可以使用邻接矩阵来表示图数据信息

分析：5个节点，每个节点含两个属性特征，就是5行5列的邻接矩阵和每个节点对应的特征，能不能把每一行作为一个样本，就像传统机器学习一样，把B这个节点对应的特征输入到神经网络中去进行学习，比如B可能是一个欺诈的用户，让神经网络努力预测它是欺诈，如果它是一个正常用户，就让神经网络努力预测它是正常，通过这种方式构造交叉熵损失函数，通过反向传播梯度下降去迭代优化神经网络里面的权重，进而训练得到这个神经网络，再来一个样本，神经网络就会根据已经训练好的权重预测出是什么类别。

这是很正常的想法，也符合机器学习中样本之间独立同分布的假设，A节点和B节点好像向量没有什么关系，就好像一朵一朵鸢尾花，一个一个的波士顿房价的数据，独立的，同分布的。分别用这些样本训练神经网络，划分训练集测试集，去训练就可以了。

全连接神经网络要求输入维度是固定的，比如说对于第一层神经网络，第一层神经网络第一个神经元对输入的7个特征，每一个特征都有一个权重，第一个特征乘以第一个权重，一直加到第七个特征乘以第七个权重，得到一个加权求和，再加上自己的偏置项，再经过非线性激活函数，输入给下一层，每一个神经元都和上一层的所有神经元密集相连，所以叫做全连接神经网络。

但这种想法有问题

（1）参数量非常大，第一个节点有7个特征，第一个神经元就有7个权重，对应7个特征，如果做全中国所有人的社交网络，比如14亿个人，每一个节点（每一个人）就有14亿零2个特征，输入到神经网络中，光第一个神经元就有14亿零2个权重，所以参数量会爆炸，就会导致过拟合。

（2）如果这个时候来了一个新节点，比如一个新宝宝出生了，这个全中国的人口变成了14亿零1，矩阵的行和列就发生了变化，没法泛化到新节点，需要按8个特征，8个权重，重新设计神经网络的结构，重新训练才可以，没有归纳式学习的能力，没法泛化到新节点

（3）最大的问题是不具备变换不变性

现在是按ABCDE的节点顺序命名的，如果换一个顺序呢？

比如左边和右边是同一个图，但是ABCDE顺序不一样，邻接矩阵也会面目全非，而之前神经网络就是第一个权重就是对应第一个特征，第七个权重就是对应第七个特征。

现在矩阵可以打乱，表示的还是同一张图，这个时候神经元是不知道的，才不管输入的是什么顺序，只管按训练的顺序去读取的，所以不具备变换不变性。

发现一旦换了节点顺序，就面目全非了。