A Gentle Introduction to Graph Neural Networks

本文是跟李沐读论文的笔记，这篇介绍了A Gentle Intorduction to Graph Neural Netoworks这篇文章。

1.引言

本文介绍了GNN，GNN已经有了很多领域的应用，例如：antibacterial discovery(抗生素发现) ， physics simulations(物理模拟), fake news detection(假新闻检测), traffic prediction(流量预测) 和推荐系统等领域。
如下图所示，图神经网络可以表示很多的信息。

本文共分为四部分，首先介绍了哪些数据更容易表示成图数据，讲了一些例子。其次我们探索了图结构数据和其它类型数据的不同，以及使用图数据时，我们不得不做的一些选择。然后我们介绍了一个GNN的模型。最后我们提供了一个GNN playground，可以在上面进行一些实验。

2.什么是图

从上图中可以看出，图代表了节点之间的关系，由三部分组成分别是V、E、U，VE分别代表点和边，U表示整个图的信息。无向图和有向图的区别。

我们可以在VEG上存储不同的信息，例如上图所示，利用embedding来表示信息。

举例

image as graphs

从上图可以看出，image由一些像素点组成，每个像素点的位置用xy坐标表示，我们用邻接矩阵来表示这个结构，如果有有颜色，就代表有连接。

text as graphs

molecules as graphs

social network as graphs

citation network as graph
Machine learning models, programming code and math equations同样可以表示成图。

3.与图结构相关的一些问题

在图上的预测任务中有三种类型，分别是graph-level、edge-level、node-level。

‎在图级任务中，我们预测整个图的单个属性。对于节点级任务，我们预测图中每个节点的某些属性。对于边级任务，我们希望预测图形中边的属性或存在。‎

graph-level task

例如：图的分类

Node-level task