图神经网络(Graph Neural Network)在社交网络、推荐系统、知识图谱上的效果初见端倪,成为近2年大热的一个研究热点。然而,什么是图神经网络?图和神经网络为什么要关联?怎么关联?
本文将以浅显直觉的方式,介绍GNN的灵感来源,构造方法,训练方式等,参考《Representation Learning on Networks》中GNN部分,做了具体的解读和诠释,并增补了一些代码中才有的实现细节,帮助初学者理解。
代码实现:(https://github.com/leichaocn/graph_representation_learning)
文章目录
卷积神经网络的启示
回顾对图像的简单卷积:
如图1所示:一幅图(image)所抽取的特征图(features map)里每个元素,可以理解为图(image)上的对应点的像素及周边点的像素的加权和(还需要再激活一下)。
同样可以设想:一个图(graph)所抽取的特征图(也就是特征向量)里的每个元素,也可以理解为图(graph)上对应节点的向量与周边节点的向量的加权和。
这种迁移联想值得好好体会。
体会明白后,那具体怎么做呢?
核心想法
正如上面讨论的,归纳为一句话:用周围点的向量传播出自己的Embedding。
一个非常简单的例子就能搞明白。
对于图2来说,要求节点A的Embedding,我们有以下的两条想法:
- 节点A的Embedding,是它的邻接节点B、C、D的Embedding的前向传播的结果
- 而节点B、C、D的Embedding,又是由它们各自的邻接节点的Embedding传播的结果。
但是你可能会说,这样不断追溯,何时能结束?所以为了避免无穷无尽,我们就搞上面这两层就行了。
根据上面的讨论,我们可以构造图3的传播关系。
第0层即输入层,为每个节点的初始向量(根据所处领域里特征数据进行构建),不妨称为初始Embedding。
-
第一层
节点B的Embedding来自它的邻接点A、C的Embedding的传播。
节点C的Embedding来自它的邻接点A、B、C、D的Embedding的传播。
节点D的Embedding来自它的邻接点A的Embedding的传播。
-
第二层
节点A的Embedding来自它的邻接点B、C、D的Embedding的传播。
好了,大概可能有点感觉了,可是传播到底是什么?图中的小方块里到底在什么什么?
(注意:图中所有的方块代表的操作均相同,大小、颜色的差异没有任何含义)
传播机制
小方块里做的就两件事:
-
收集(Aggregation)
简言之,就是对上一层的所有邻接节点的Embedding,如何进行汇总,获得一个Embedding,供本层进行更新。
-
更新(Update)
即对本层已“收集完毕”的邻接点数据,是否添加自身节点的上一层Embedding,如果是如何添加,如何激活,等等方式,最终输出本层的Embedding。
表达成数学公式,即下面这个式子:
先解释其中的符号含义: h h h表示节点的Embedding,下标 v v v或 u u u表示节点的索引,上标 k k k表示第几层的意思, σ \sigma σ表示激活函数, W k W_k Wk和 B k B_k Bk表示矩阵, N ( v ) N(v) N(v