Graph Neural Network(GNN)图神经网络

Graph Neural Network(GNN)图神经网络，是一种旨在对图结构数据就行操作的深度学习算法。它可以很自然地表示现实世界中的很多问题，包括社交网络，分子结构和交通网络等。GNN旨在处理此类图结构数据，并对图中的节点和边进行预测或执行任务。
GNN中节点的信息 通过节点和节点之间连接的边 在节点之间传递。其中每个节点都可以从其和它相邻的节点中接收信息并相应地更新自己的信息，这个过程通常会重复多次以使信息充分地沿着边流动和在节点出聚合。然后这些更新的节点可以用于对节点的分类(node classification)、节点之间边的预测(两个节点之间是否存在边)、对于整个图的分类、生成一个新的图（比如VAE或GAN）等等。这些已经应用于化学，社交网络和推荐系统等各个领域。

1.Graph 图

在计算机科学中，图是一种抽象的数据类型，旨在实现数学图论领域中的无向图和有向图概念。图类型的数据结构由一组有限的（可能是可变的）顶点（也称为节点或点）组成，对于无向图，这些顶点在一组无序对内，对于有向图，这些顶点在一组有序对内。这些对被称为边（也称为链接或线），对于有向图，这些对也被称为边，但有时也称为箭头或圆弧。顶点可以是图形结构的一部分，也可以是由整数索引或引用表示的外部实体。

例如，我们使用图来表示社交网络，如下图所示，图中的每个节点代表一个人，每两个节点之间的边则代表了这两个人互相认识，比如Person A 分别和Person B和Person C是好朋友，B又和D是好朋友，但是C和D却互不认识。如果这条边是无向的，可以表示较为平等的关系，比如友谊，同学等；如果是有向的，可以用来表示上下级，或是师生等关系。

2.Graph neural network 图神经网络

图神经网络是一类用于处理可以表示为图的数据的人工神经网络。在A Comprehensive Survey on Graph Neural Networks https://arxiv.org/pdf/1901.00596.pdf 中提出了将图神经网络进一步地分为Recurrent graph neural networks (RecGNNs)递归图神经网络、Convolutional graph neural networks (ConvGNNs)卷积图神经网络、Graph autoencoders (GAEs)图自动编码器 和 Spatial-temporal graph neural networks (STGNNs)时空图神经网络。

2.1 Recurrent graph neural networks (RecGNNs)循环图神经网络:

它是传统图神经网络的一种衍生，具有循环结构。循环图神经网络用来处理一系列图结构的数据，在这个过程中图随着时间而改变。在RecGNN中，图结构和图节点在每个时间步上面更新，并且更新后的信息用于做预测或者完成一些其他任务。循环图神经网络和传统的图神经网络主要区别是循环图神经网络在一个时间步上处理图一次，并且会用之前时间步的信息来更新图。（其实就是递归神经网络和普通网络的区别，然后传入的数据为图结构）。
递归神经网络相关介绍可以参看之前的文章：
https://mp.weixin.qq.com/s/tvvXyCEox-BA-Ox65v1IXQ

2.2 Convolutional graph neural networks (ConvGNNs)卷积图神经网络：

它结合了卷积运算来处理图结构数据。ConvGNN旨在用于具有固定、已知结构的图，其目标是学习节点和边的表示，这种表示对于他们在图中的相对位置不变。
在ConvGNN中，卷积运算应用于图结构和节点特征，以及更新节点和边。被更新的节点和边被传入下一层，在下一层中重复该过程。通过堆叠多层卷积层，ConvGNN可以学习图中节点和边之间越来越复杂的关系。
ConvGNN中的卷积运算被设计为置换不变的，这意味