GNN图神经网络 如何同时学习属性信息和结构信息？

1.在解决这个问题之前，先回归到GNN的定义。

GNN Graph Neural Network.

图神经网络。

或者具体一点：图卷积神经网络。

图卷积的运算定义：x1*x2 =  IGFT(GFT(x1)GFT(x2)) （式1）

其中表示哈达玛积，继续对上式进行推导：

把x1和x2进行图傅里叶变换：x1 = （式2）

其中V代表图G的拉普拉斯矩阵的正交对角化对应的特征矩阵：（式3）

继续推导式2得到：x1*x2 =  （式4）

令 显然是一个图位移算子，其频率响应为X1的频谱，于是可得：

x1*x2= （式5）

因此，两图信号卷积总能转化为对应形式的图滤波运算，从这角度看，图卷积等于图滤波。

2.图数据的内在规律

属性+结构

以社交网络为例：

属性为用户的年龄、性别。

结构为互相的连接信息，如社交大V的出度与入度都很高。

3.GCN的设计怎么去适配图数据的内在规律？

GCN对图数据有端对端的学习能力。

GCN对于属性信息和结构信息的学习体现在其核心计算公式上：参考文献,GCN封神之作https://openreview.net/pdf?id=SJU4ayYgl），这一计算过程可以被分拆成两步：

1. 是对属性信息的仿射变换，学习了属性之间的交互模式。
2. 从空域来看是聚合邻居节点的过程，代表了☑节点局部结构信息的编码。