GCN理论笔记

1. GCN引入

 GNN在聚合邻居信息时候，要确定其权重系数a,b,c ，为了解决此问题采用平均法解决。、

 图中公式中，聚合后的特征再进行平均处理，加法可以转化为矩阵形式。

图中B节点信息，可以通过C D E F G..进行汇聚，而A节点信息只和B节点相关。如果将B节点信息汇聚到A节点，显然是不合理的。例如B是马云的工资 ,A是你的工资，你不可能把马云的工资加到你的工资上。因此GCN引入对称归一化的拉普拉斯矩阵。

B是A的唯一，但是A并不是B的唯一，B的信息要进行平均开方，为了合理期间，A的信息也要进行开方运算，这样使得公式的分母变大，整个式子变小。这样A到得到B信息也就小了。

 2.应用

 3.核心原理

3.1GNN原理回顾

 图中A的特征信息来自于其邻居节点B C D信息，B的特征信息来自于邻居A C信息，C D类似。黑色方块表示一层神经网络，白色方块表示另一层神经网络。

 

 每一个节点都可以构建自己的计算图。在训练神经网络时，一个计算图就是一个样本。  

每一层，共享参数，在这个图中只需要训练两个大层神经网路。大层中包含许多小层神经网络。

 根据六度空间理论，六层（最多）图神经网络就可以满足任意任务的需求。

 这就是第一个版本图神经网络（GNN)，输入图中每个节点的(1281)特征向量，就可以得到A的基于全图的信息，进行前向传播预测。

3.2 GCN原理

 公式中，v代表一个节点，N(u)代表A B E F 节点 ，意思是将A B E F节点特征信息输入到多层神经网络中，Wk表示神经网络的权重参数，外面的是激活函数（可以是sigmoid tanh relu等）。Zv表示最后一层图神网络的输出，K代表k层图神经网络。

将上述公式转换为矩阵形式：

 使用代码表示：

 

 

 

 

 矩阵特征值推导（博客）：

 

 如果图已经建立了 ，那么红框里面的矩阵就确定了 。

H代表一层图神网络输出，可学习的参数是权重值W 。

 在每一层图神经网络输入中，只能聚合了其邻居节点的信息，无法得到自己的特征信息，因此要对计算图进行改进：

 

 4.GCN的训练

4.1 监督学习

 

 4.2 无监督学习

 将两个节点使用图神经网络进行表示，相当于编码器，得出其向量表示。然后利用相似度计算方法，计算其相似度，是一个标量。是一个标量 ，相似度高，其标量值就越大，相似度低，其标量值越小。

5.优缺点

 

 

 

 

 

算法复杂度是线性增加的，不会是指数增加。

 不管图神经网络的结构有多么的复杂，它可学习的参数是固定的。只需要训练两层图神经网络。

 

 深度学习的任何任务，都可以在图神经网络进行优化。