图的两个基本特性:
一是每个节点都有自己的特征信息。
二是图谱中的每个节点还具有结构信息。
在图数据里面,我们要同时考虑到节点的特征信息以及结构信息,如果靠手工规则来提取,必将失去很多隐蔽和复杂的模式,那么有没有一种方法能自动化地同时学到图的特征信息与结构信息呢?——图卷积神经网络--------一种能对图数据进行深度学习的方法。
一、1.邻接矩阵,特征矩阵,卷积神经网络,度矩阵边信息和点信息的转换
2.基本知识及含义
度矩阵除对角线外全部为0
w权重是随机产生的,可以变,也可以不变。
点乘,一层层的训练
| 多次相乘得Hn,列的最大值,进行列数分类。
1,2,5,相似度高,所以一类(这个我还不会)
运用:半监督的图分类,科学家网络,知识图谱
(1)GCN模型同样具备深度学习的三种性质:
1、层级结构(特征一层一层抽取,一层比一层更抽象,更高级);
2、非线性变换 (增加模型的表达能力);
3、端对端训练(不需要再去定义任何规则,只需要给图的节点一个标记,让模型自己学习,融合特征信息和结构信息。)
(2)GCN四个特征:
1、GCN 是对卷积神经网络在 graph domain 上的自然推广。
2、它能同时对节点特征信息与结构信息进行端对端学习,是目前对图数据学习任务的最佳选择。
3、图卷积适用性极广,适用于任意拓扑结构的节点与图。
4、在节点分类与边预测等任务上,在公开数据集上效果要远远优于其他方法。