神经网络模型中有什么样的算子_浅析图卷积神经网络

今天想和大家分享的是图卷积神经网络。 随着人工智能发展，很多人都听说过机器学习、深度学习、卷积神经网络这些概念。 但图卷积神经网络，却不多人提起。 那什么是图卷积神经网络呢？ 简单的来说就是其研究的对象是图数据(Graph)，研究的模型是卷积神经网络。

为什么有图卷积神经网络

自2012年以来，深度学习在计算机视觉以及自然语言处理两个领域取得了巨大的成功。 和传统方法相比，它好在哪里呢？

假设有一张图，要做分类，传统方法需要手动提取一些特征，比如纹理啊，颜色啊，或者一些更高级的特征。 然后再把这些特征放到像随机森林等分类器，给到一个输出标签，告诉它是哪个类别。

而深度学习是输入一张图，经过神经网络，直接输出一个标签。 特征提取和分类一步到位，避免了手工提取特征或者人工规则，从原始数据中自动化地去提取特征，是一种端到端(end-to-end)的学习。 相较于传统的方法，深度学习能够学习到更高效的特征与模式。

卷积神经网络很好，但是它研究的对象还是限制在Euclidean domains的数据。 什么是Euclidean data？ Euclidean data最显著的特征就是有规则的空间结构，比如图片是规则的正方形栅格，比如语音是规则的一维序列。 而这些数据结构能够用一维、二维的矩阵表示，卷积神经网络处理起来很高效。

但是，我们的现实生活中有很多数据并不具备规则的空间结构，称为Non Euclidean data。 比如推荐系统、电子交易、计算几何、脑信号、分子结构等抽象出的图谱。 这些图谱结构每个节点连接都不尽相同，有的节点有三个连接࿰