【学习笔记】图卷积网络（概述）

1、导 读

图神经网络（Graph Neural Network，GNN）是指使用神经网络来学习图结构数据，提取和发掘图结构数据中的特征和模式，满足聚类、分类、预测、分割、生成等图学习任务需求的算法总称。

GNN的历史最早可以追溯到 2005 年，Gori 等人第一次提出 GNN 概念，用 RNN 来处理无向图、有向图、标签图和循环图等。Bruna等人提出将 CNN 应用到图上，通过对卷积算子巧妙的转换，提出了图卷积网络（GCN），并衍生了许多变体。

本文将首先对图神经网络的常见应用场景进行列举，然后针对图神经网络的原理进行详细阐述。

本文开始之前，请大家思考一个问题，

—为什么研究学者们要设计图卷积操作，传统的卷积不能直接用在图上吗？

更多内容 关注公众号【小Z的科研日常】获取。

2、GCN的应用场景

🌐 社交网络的建模 🌐

当前众多研究学者使用图神经网络模型应用在社交网络建模中，在社交网络中不同朋友之间的联系使用社交图（见图1）实现直观地表示。

图1  社交图

通过社交图将不同朋友之间的社交关系清晰地映射出来，为社交网络分析提供新的分析视角。

🗣️ 语音识别的图形模型应用 🗣️

在深入了解语音识别领域相关技术后，如何通过构建语音识别的图形模型来捕捉音素Yᵢ和声学模型xᵢ形成 HMM（语音识别图）是当前研究热点。

图2  语音识别图

🖼️ 传统卷积和图卷积的区别 🖼️

这也就回到了我们引言中所提问到的问题，我们在传统卷积中以CNN为例辅助大家理解。

在图像领域中使用CNN，我们依旧可以将图像输入建模为图的形式。例如图3（左）是5x5的像素点，对于3x3卷积核的情况下，每个节点都能够直接连接8个邻节点。

图3  传统卷积图示

但图表的情况并非如此。例如，下面的图虽然在空间上看起来不同，但它们是相同的。

图4  图卷积网络的数据结构

一般来说，神经网络 (NN) 采用输入x来预测z。而这也给神经网络中如何处理图结构化数据带来了新的挑战。

图5  传统神经网络架构

在 GCN（图卷积网络）中，神经网络的输入将是一个图。此外，它不是推断单个z ，而是推断图中每个节点 i 的值 zᵢ 。为了对 Zᵢ 进行预测，GCN在计算中同时利用了 Xᵢ 及其相邻节点。

图卷积网络（GCN）

GCN 的总体思想是在图上应用卷积。GCN 采用图作为输入，而不是二维数组作为输入。

图6 传统卷积和图卷积区别

（圈中部分为卷积核）

下面的第一张图（第一行）是传统的神经网络，第二张图是 GCN，其中包含四个节点作为输入。

图7 传统神经网络和图卷积网络对比图

在第一个神经网络中，它包含多个密集层（全连接层）。其中，x 是一层的输入，zᵢ 是第 i 层的输出。对于每一层，我们将z（或第一层的 x ）与权重 W 相乘，并将输出传递给激活函数 Relu。

而 GCN 与上述结构较为相似，但 Relu 的输入是 HⁱWⁱ 而不是 Wᵢzᵢ 。即σ ( Wᵢzᵢ ) 与σ(ÂHⁱWⁱ)，其中zᵢ和Hⁱ分别是神经网络和图卷积网络的最后一个隐藏层的输出向量。但注意，Wⁱ 和 Wᵢ 是不同的，并且具有不同的维度，对于GCN中的第一层，X包含的节点数组不是单个节点x。X是被编码为矩阵，每行包含一个节点的特征。

下面我们先来一窥图卷积神经网络的全貌。如图8所示，输入的是整张图，在Convolution Layer 1里，对每个结点的邻居都进行一次卷积操作，并用卷积的结果更新该结点；然后经过激活函数如ReLU，然后再过一层卷积层Convolution Layer 2与一层激活函数。

反复上述过程，直到层数达到预期深度。与GNN类似，图卷积神经网络也有一个局部输出函数，用于将结点的状态(包括隐藏状态与结点特征)转换成任务相关的标签；也有一些任务是对整张图进行分类的，比如化合物分类。卷积操作关心每个结点的隐藏状态如何更新，而对于Graph-Level的任务，会在卷积层后加入更多操作。

图8 图卷积框架

未完待续......