图网络空域卷积说明1:GNN

论文地址：A Generalization of Convolutional Neural Networks to Graph-Structured Data
GNN的做法是将一个图结构的数据强行变化为一个类似规则的数据，从而实现1维的卷积。

传统卷积：固定数量的邻域节点排序后，与相同数量的卷积核参数相乘后求和。

那么卷积就可以分为两步：
1.构建邻域(邻节点固定且有序)
2.对邻域的点和卷积核参数内积

但是对于图结构数据而言：邻域节点不固定，且图结构无序。因此需要找到一个解决构建邻域的方法。

解决思路：随机游走，根据被选中的概率期望和大小选择固定数量的邻居节点。

实现：
首先定义
$P$矩阵 为图上的随机游走转移矩阵，$P_{ij}$为i节点到j节点的转移概率。
$S$矩阵 为相似度矩阵，可以理解为邻接矩阵。
$D$矩阵 为度矩阵，$D_{ii}={\sum }_j{S}_{ij}$。
假设图结构已知，则$S$和$D$已知，则$P$定义如下：
$$P=D^{-1}S$$

上式子相当于对S进行归一化，即使用归一化的邻接矩阵作为图转移矩阵。
多步转移矩阵定义为$Q$:
$$Q^{(0)}=I,Q^{(1)}=I+P,\dots Q^{(k)}=\sum _{j=0}^k{P}^k$$

其中$k$为步数，$Q_{ij}^{(k)}$表示i节点进过k步达到j的期望访问次数，可视化如下图。

那么选择邻域的问题解决了，可以根据期望访问次数来选择需要的邻域节点，${\pi }_i^{(k)}(c)$表示节点的序号，表示该节点是经过$k$步内由$i$节点出发的访问期望第$c$大的节点，那么有节点期望访问大小排序:
$$Q_{i{\pi }_i^{(k)}(1)}>Q_{i{\pi }_i^{(k)}(2)}>\cdots >Q_{i{\pi }_i^{(k)}(N)}$$
定义卷积：
每个点选取前$p$个期望最大的作为邻域节点，且顺序由期望$Q$决定。卷积核为$W$，具有$p$个参数。

举例：