特征图大小_新手向快速了解图神经网络

这两天稍微看了点图神经网络的东西，稍微做个记录，第一次接触这个名词的推荐可以看一下知乎上一个视频

简单粗暴带你快速理解图神经网络GNN

图神经网络处理的数据一般就是个图，图网络具有节点特征和结构特征，图神经网络的本质提示就是提取特征。

这个特征提取的思路也很make sense，把相邻节点的特征结合起来，这也叫做聚合，结合得到的信息和自身特征进行融合，这就叫更新。所以GNN其实就是不断将相邻节点的信息进行融合的过程。

假设一个图有

个节点，每个节点用一个特征向量来表示，初始特征维度为

，也就是说拿到这个图的时候，我们的原始特征数据是个

的矩阵

，每一行代表一个节点的特征向量。

除此之外，由于这是一个图，我们还知道节点之间的连接关系，因此可以得到这个图的邻接矩阵

，其中

代表

和

两个节点是相连的（对于无向图，“你连我”和“我连你”是一样的，所以这个矩阵是对称的）。

有了原始特征

和节点之间的关系矩阵

，我们就可以进行特征提取了。这个特征提取的过程可以理解为常规神经网络的隐藏层，或者说是一个映射

不同的网络的区别可以体现在映射

的设计上，举个简单的例子，这个映射可以是

可以理解为对该层特征进行加权后通过邻接矩阵进行过滤，再通过relu函数增加点非线性。事实也说明了这样一种形式是可行的，但是有两个需要解决的问题

• 节点聚合得到的特征是相邻节点的特征聚合，不包含节点本身
• 提取出来的特征大小跟图节点的度（可以理解为相邻节点的个数）有关，度大的节点特征较大，这可能会导致梯度消失或爆炸

对于这两个问题自然也有了相应的解决措施：

• 邻接矩阵加入自环：
  ，其实可以理解为聚合邻居特征是把自己加上去呗
• 度的大小影响特征的大小，那就用度矩阵来归一化一下，

经过改进，得到的映射就是

其中

就是加入自环的邻接矩阵，

就是根据

得到的度矩阵（对角阵，

）。

另外推荐几个不错的参考资料

1. THOMAS KIPF的博客

https://tkipf.github.io/graph-convolutional-networks/​tkipf.github.io

2. @小小将 写的文章

小小将：2020年，我终于决定入门GCN​zhuanlan.zhihu.com

3. 知乎上的高赞评论

如何理解 Graph Convolutional Network（GCN）？​www.zhihu.com