百度飞桨图神经网络7日打卡营学习心得

图卷积网络原理

首先可以利用节点特征进行关系预测、节点预测等任务。如果要将节点任务推广到图像领域，可以对图进行Graph Pooling操作，例如求和、均值、最大值等操作得到整张图的图特征，得到图特征之后就可以进行图相关的任务了，例如图匹配、图分类等。

图神经网络和游走模型的区别：

游走模型需要先训练得到embedding，再利用embedding做下游任务，如分类等。而图神经网络是端对端模型，边训练节点边做下游任务。

 

理解的图卷积网络三大问题：

1. 如何从图像卷积类比到图结构卷积；
2. 如何用消息传递方式实现图卷积网络；
3. 如何用多层图网络实现节点分类任务。

从图像卷积类比到图结构卷积

图像卷积：将像素点周围的像素按照不同的权重叠加起来；

图卷积：将一个节点周围的邻居按照不同的权重叠加起来。

主要区别在于图结构周围的邻居并不想图像那样数量固定。

 

图卷积网络计算公式

其中，是激活函数，是一个学习的权重。

代表邻接矩阵，代表度矩阵，是每一层的节点表示，通过下面的例子来理解。

右图为左图的邻接矩阵表示形式，也就是的形式，将每一行的元素相加并置于对角线位置处，就可以得到度矩阵，即，然后就可以继续求得，下图是流程。

 

为了方便理解，将上式转化为下式：

的物理意义如下：

的第一行是A第一行与矩阵相乘：

因为A的前三列元素均为1， 后面其他元素为0，这样可以得到第一行表达式形式为：

上面的过程类似于消息传递，将0号、1号、2号的的信息传给0号。

 

使用消息传递的方式实现图卷积网络

1. 边上的源节点，向目标节点发送特征；
2. 目标节点收到的特征进行聚合。

度

利用GCN的度给边加权，也就是给节点的重要性加权，度越大，包含的信息量越小，这在分母中可以体现。

 

在百度飞桨图神经网络平台PGL中实现消息传递

实现程序如上图，send函数和recv函数分别对应消息发送和消息接收函数。

 

用多层图网络实现节点分类任务

步骤如下：

1. 节点间进行特征传递；
2. 对每一个节点都过一层GNN。

重复两个步骤L次，就可以得到一个多层图卷积神经网络。第0层的H其实就是原有节点特征。

将最后一层的表示通过分类器就可以对每个节点进行分类了。