节点特征遮蔽

假设我们有一个社交网络的图，其中包含5个节点，每个节点代表一个用户。节点特征向量表示用户的以下信息：年龄、性别和职业。我们的目标是根据这些信息来预测用户是否会点击广告。

下面是节点的特征向量和节点特征掩码的示例：

节点1：[20, 1, 1] （年龄=20岁，性别=男性，职业=学生）
节点2：[30, 0, 1] （年龄=30岁，性别=女性，职业=学生）
节点3：[25, 1, 0] （年龄=25岁，性别=男性，职业=医生）
节点4：[35, 0, 0] （年龄=35岁，性别=女性，职业=工程师）
节点5：[28, 1, 1] （年龄=28岁，性别=男性，职业=学生）

现在我们感兴趣的是预测职业为学生的用户是否会点击广告。因此，我们定义一个节点特征掩码，使得只有职业为学生的节点的特征被保留，而其他节点的特征被屏蔽。

节点特征掩码：[1, 1, 0, 0, 1]

然后，我们将节点特征掩码与节点特征向量进行逐元素的乘法运算：

节点1的特征向量 * 节点特征掩码 = [20, 1, 1] * [1, 1, 0, 0, 1] = [20, 1, 0, 0, 1]
节点2的特征向量 * 节点特征掩码 = [30, 0, 1] * [1, 1, 0, 0, 1] = [30, 0, 0, 0, 1]
节点3的特征向量 * 节点特征掩码 = [25, 1, 0] * [1, 1, 0, 0, 1] = [25, 1, 0, 0, 0]
节点4的特征向量 * 节点特征掩码 = [35, 0, 0] * [1, 1, 0, 0, 1] = [35, 0, 0, 0, 1]
节点5的特征向量 * 节点特征掩码 = [28, 1, 1] * [1, 1, 0, 0, 1] = [28, 1, 0, 0, 1]

通过节点特征掩码的操作，我们只保留了职业为学生的节点的特征，而将其他节点的特征屏蔽了。这样，我们可以将模型的注意力集中在职业为学生的用户上，更好地学习他们的特征与广告点击行为之间的关系，以便进行预测。