GCN之利用numpy增加自环、特征归一化

GCN是一种可直接作用于图并利用其结构信息的强大神经网络。

即使是随机初始化的两层GCN也可以生成图网络中节点的有用特征表征。

 

使用numpy编写一个有向的邻接矩阵：

import numpy as np
A = np.matrix([
    [0, 1, 0, 0],
    [0, 0, 1, 1],
    [0, 1, 0, 0],
    [1, 0, 1, 0]],
    dtype = float)

然后是抽取特征。基于每个节点的索引为其生成两个整数特征，这里是为了后续计算方便，实际的特征由具体任务而定。

X = np.matrix([[i, -i] for i in range(A.shape[0])], dtype=float)

#X:
#[[0. 0.]
#[1. -1.]
#[2. -2.]
#[3. -3.]]

现在已经建立了一个图，其邻接矩阵为A，输入特征矩阵为X，应用传播规则后：

print(A * X)
#[[1. -1.]
#[5. -5.]
#[1. -1.]
#[2. -2.]]

每个节点的表征（即每一行）是其相邻节点特征的和。

也就是说，图卷积层将每个节点表示为其相邻节点的聚合。

---

这时候就会有两个问题：

1.节点的聚合表征不包含它自己的特征。该表征是相邻节点的特征聚合，因此只有具有自环（self-loop）的节点才会在该聚合中包含自己的特征。

2.度大的节