图神经网络之GCN

写在前面

为什么要参加此次图神经网络7天培训营？之前报名参加了上期图像分割7日打卡营的课程，课程的安排由浅及，包括如何构建数据集、FCN等模型的构建，以及实战项目。专业的教师团队，能够带着像我这样的小白进行现场手撸代码。这次的课程虽然没有一点图神经网络基础，但是老师的详细耐心讲解也让我收获颇丰。

GCN VS 传统 CNN （Convolution 网络）

传统 Convolution 网络适用于常见的文本，图像这种规则的数据结构。然而现实生活场景中信息之间的结构大多数是不规则的，如用户购买商品这样一种复杂的结构传统的网络不再适用。而图像上的卷积操作，与图结构上的卷积操作，最大的一个区别就在于:

(1) 导出对于图像的像素点来说，它的周围像素点数量其实是固定的；

(2) 导出但是对于图而言，节点的邻居数量是不固定的。

在图像上的二维卷积，其实质就是卷积核在二维图像滑窗操作，将卷积核的每个元素与被卷积图像对应位置相乘，再求和，得到一个新的结果。

GCN 理论

论文链接: link.

理论公式中各项的意义。

定义的叫Symmetric normalized Laplacian 拉普拉斯矩阵。很多GCN的论文中应用的是这种拉普拉斯矩阵。这个公式其实体现了：一个节点的度越大，那么它所包含的信息量就越小，从而对应的权值也就越小。图卷积网络将邻接矩阵的两边分别乘上了度矩阵，相当于给这个边加了权重。其实就是利用节点度的不同来调整信息量的大小。课堂上老师关于 边上的源节点，往目标节点发送特征——Send 以及目标节点对收到的特征进行聚合——Recv。进行了详细的介绍，在此不在赘述。详见课程地址链接: 百度Aistudio。但是老师关于为什么要用这种拉普拉斯矩阵，老师没有进行讲解，GCN的核心基于拉普拉斯矩阵的谱分解，文献中对于这部分内容没有讲解太多，初学者可能会遇到不少误区。课后自己阅读相关文章有了自己的理解

（1）拉普拉斯矩阵是对称矩阵可以进行谱分解（特征分解）

（2）拉普拉斯矩阵只在中心顶点和一阶相连的顶点上（1-hop neighbor）有非0元素，其余之处均为0）

（3）通过拉普拉斯算子与拉普拉斯矩阵进行类比