通俗易懂的GCN原理讲解

GCN，图卷积神经网络，实际上跟CNN的作用一样，就是一个特征提取器，只不过它的对象是图数据。GCN精妙地设计了一种从图数据中提取特征的方法，从而让我们可以使用这些特征去对图数据进行节点分类、图分类、边预测，还可以顺便得到图的嵌入表示（graph embedding），可见用途广泛。

为什么要使用GCN

---

深度学习一直都是被几大经典模型给统治着，如CNN、RNN等等，它们无论再CV还是NLP领域都取得了优异的效果，那这个GCN是怎么跑出来的？是因为我们发现了很多CNN、RNN无法解决或者效果不好的问题——图结构的数据。

图的结构一般来说是十分不规则的，可以认为是无限维的一种数据，所以它没有平移不变性。每一个节点的周围结构可能都是独一无二的，这种结构的数据，就让传统的CNN、RNN瞬间失效。这里涌现出了很多方法，例如GNN、DeepWalk、node2vec等等，GCN只是其中一种。

GCN公式

---

这个公式中：

• A波浪：=A+I，I是单位矩阵，代表领接矩阵
• D波浪：是A波浪的度矩阵（degree matrix）
• H： 是每一层的特征，对于输入层的话，H就是X
• σ： 是非线性激活函数

这个公式看上去非常难理解，而且论文中的推导公式也用到了图拉普拉斯算子和切比雪夫多项式，这里我们就当看不见这个公式的推导过程，就好比我们得到了一个公式，可以基于图结构，从原始节点的特征中提取特征信息。

这样，通过若干层GCN，每个node的特征就从X变成了Z，但是无论中间有多少层，node之间的连接关系，即A，都是共享的。如下图所示：

GCN公式推导

---

推导比较长，如果想了解整体过程的话可以跳过这个部分~

这里参考了江南綿雨博客内容：

Step1: 求图模型的邻接矩阵和度矩阵

对于传统的GNN，一个图网络需要节点特征矩阵和邻接矩阵的输入，这样才能进行节点的聚合操作。但是GCN中还需要引入一个度矩阵，这个矩阵用来表示一个节点和多少个节点相关联，对于后面的步骤有巨大的作用，如图所示：

Step2：进行特征计算
求得矩阵A , D , X A,D,XA,D,X后，进行特征的计算，来聚合邻居节点的信息。GCN中的聚合方式和传统GNN中的方式有较大差异，这里分解为几个细节点：

① 邻接矩阵的改变
邻接矩阵 A AA 没有考虑自身的加权，所以GCN中的邻接矩阵实际上等于 A AA ＋单位对角矩阵 I II。

② 度矩阵的改变
首先对度矩阵的行和列进行了归一化（具体格式看下图），为什么这么做呢？行归一化系数代表着节点自身的一个变化程度，关联的节点越少，系数越大，越容易随波主流，更易受别人影响。而列归一化系数，代表关联节点对当前节点的影响程度，关系网越复杂的节点，它对其他节点的作用就越小，比如我认识一个亿万富翁，但富翁认识很多人，我们也就是一面之缘，那么能说因为我和他认识，我就是个百万富翁了嘛，显然有点草率了。通过行和列归一化系数，相互制衡，秒不可言。

同时，归一化的系数还开了根号，就是因为考虑到归一化后的行和列系数都加权给了节点特征，均衡一点。

Step3：训练参数 w ww 的加权
进行完聚合操作后，新的节点特征向量再乘上 w ww，往往会改变一下特征的维度，具体见下图：

Step 4:层数的迭代

接下来重复step1~3，每重复一次算一层，GCN正常只需要3–5层即可，这里就和CNN、RNN很不一样。因为节点每更新一次，感受野就变大一些，如果网络太深，那么每个节点就会受无关节点的影响，效果反而下降。

举例

---

假如对于一个图分类任务，我们构造一个两层的GCN，激活函数分别采用ReLU和Softmax，则整体的正向传播公式为：

通过整体正向传播公式，我们可以提取节点的特征和位置信息，但并不是所有节点都带有标签信息。

这里针对所有带标签的节点计算交叉熵损失函数：

利用交叉熵损失函数训练优化W权重矩阵，最终就可以训练得到一个node classification的模型了。由于即使只有很少的node有标签也能训练，作者称他们的方法为半监督分类。

实验：使用一个俱乐部会员的关系网络，使用随机初始化的GCN进行特征提取，得到各个node的embedding，然后可视化：

可以发现，在原数据中同类别的node，经过GCN的提取出的embedding，已经在空间上自动聚类了。

而这种聚类结果，可以和DeepWalk、node2vec这种经过复杂训练得到的node embedding的效果媲美了。

说的夸张一点，比赛还没开始，GCN就已经在终点了。看到这里我不禁猛拍大腿打呼：“NB！”

还没训练就已经效果这么好，那给少量的标注信息，GCN的效果就会更加出色。

作者接着给每一类的node，提供仅仅一个标注样本，然后去训练，得到的可视化效果如下：

GCN的好处

---

1、没有节点特征也可以使用GCN，例如论文中的俱乐部网络就用单位矩阵I代替了特征矩阵X

2、不训练的GCN的效果就已经非常优秀了，相比CNN、RNN如果不训练根本得不到什么有效特征

3、即使节点没有任何类别标准或者其他标准，也可以使用GCN，因为通过随机化权重参数也可以将节点的位置信息聚类到一起，做到不训练也有分类的效果。