图神经网络简单理解 — — 附带案例

图神经网络

图神经网络（Graph Neural Network, GNN）是一种深度学习模型，专门用于处理图结构数据。它能够捕捉节点的邻域结构信息，广泛应用于各种领域，如社交网络分析、生物信息学、推荐系统等。

GNN的核心思想是通过节点间的连接关系来传递和更新信息。基本的GNN模型包括递归图神经网络（Recursive GNN, RecGNN）和卷积图神经网络（Convolutional GNN, ConvGNN）。RecGNN通过递归地应用相同的参数集来提取节点的高级表示，而ConvGNN则通过图卷积层来学习节点特征的高级表示。

GNN可以针对不同类型的任务进行输出，包括节点级输出（如节点分类和回归任务）、边级输出（如边分类和链接预测任务）以及图级输出（如图分类任务）。在训练GNN时，可以根据任务和数据标签的可用性采用不同的训练策略，包括半监督学习、监督学习和无监督学习。

GNN

流程

1. 聚合
2. 更新
3. 循环

假设每个节点的特征为：$F_A,F_B,F_C,F_D,F_E$

1. 聚合

节点A的邻居信息：$N=W_1{F}_B+W_2{F}_C+W_3{F}_D$，其中$W_1,W_2,W_3$表示可训练参数，这些参数也可以手动设置。

节点A的信息：$\sigma (W\cdot F_A+\alpha \cdot N)$，其中$\sigma$是激活函数，$W$是可训练参数

同理，节点B、C、D、E以同样的方式聚合信息。

• 第一次聚合：节点A可以包含节点A、B、C、D的信息。
• 第二次聚合：节点A可以包含节点A、B、C、D、E的信息，因为节点C会在第一次聚合后包含节点E的信息

2. 更新、循环

多次聚合、得到Loss，更新参数、循环训练。

GNN是一个特征提取的方法，GNN的层数越多，其感受野越大，每个节点考虑其他点的信息越多，考虑越全面。

GCN

GCN（Graph Convolutional Network）是GNN的一种特定形式，专注于使用卷积操作来处理图数据。GCN通过在图上定义滤波器来学习节点表示，这些滤波器可以捕捉局部图结构。GCN的关键优势是其参数共享机制和对图结构的局部感知能力，这使得GCN在处理大规模图数据时非常高效 。

图中常见的任务：

1. 节点分类（Node Classification）：
   • 任务目标：预测图中每个节点的类别标签。
   • 应用场景：社交网络中用户分类、生物信息学中基因功能预测等。
2. 图分类（Graph Classification）：
   • 任务目标：对整个图进行分类，例如区分不同的化学分子结构。
   • 应用场景：分子结构分析、社交网络中的社区检测等。
3. 链接预测（Link Prediction）：
   • 任务目标：预测图中节点间是否存在链接或边。
   • 应用场景：推荐系统中的好友推荐、社交网络中的潜在联系发现等。
4. 图聚类（Graph Clustering）/社区检测（Community Detection）：
   • 任务目标：将图中的节点分组，使得同一组内的节点相互之间的连接比其他组的节点更紧密。
   • 应用场景：社交网络分析、生物网络中的模块识别等。
5. 图嵌入（Graph Embedding）：
   • 任务目标：将图的节点或整个图映射到低维向量空间，以便于进行可视化或作为其他机器学习任务的输入。
   • 应用场景：节点相似性度量、图的可视化等。
6. 图生成（Graph Generation）：
   • 任务目标：生成新的图结构或扩展现有图。
   • 应用场景：分子结构生成、社交网络演化模拟等。
7. 图编辑或图重构（Graph Editing/Reconstruction）：
   • 任务目标：对现有图进行修改或重构，以改善其某些性质或适应特定的需求。
   • 应用场景：网络结构优化、社交网络信息更新等。
8. 异常检测（Anomaly Detection）：
   • 任务目标：在图中识别异常或不正常的模式。
   • 应用场景：网络安全中的入侵检测、社交网络中的欺诈行为识别等。
9. 信息传播（Information Diffusion）：
   • 任务目标：模拟和预测信息在图中的传播过程。
   • 应用场景：疾病传播模型、社交媒体中的消息扩散等。
10. 知识图谱补全（Knowledge Graph Completion）：
    • 任务目标：预测知识图谱中缺失的实体间的关系。
    • 应用场景：知识库的自动填充、推荐系统等。
11. 图匹配（Graph Matching）：
    • 任务目标：在两个或多个图之间找到节点和边的最佳对应关系。
    • 应用场景：模式识别、计算机视觉中的物体识别等。

GCN属于半监督学习（不需要每个节点都有标签都可以进行训练），计算Loss时，只需要考虑有标签的节点即可。

GCN的基本思想：