图神经网络（GNN）

 一、前言

　　本文为学习图神经网络过程中对搜集到的知识点进行汇总，参考了一些优质博主的学习笔记以及本人的见解，欢迎大家阅读原博文进行学习。同时，本人认知及知识储备有限，如有理解错误，欢迎大家与我进行讨论。以下是参考博文来源：

这篇来自distill的博文能在网页进行交互，可以帮助大家更好的进行理解：

A Gentle Introduction to Graph Neural Networks (distill.pub)https://distill.pub/2021/gnn-intro/以下两篇为学习过程中参考的博文

【图神经网络实战】深入浅出地学习图神经网络GNN（上）-CSDN博客https://blog.csdn.net/weixin_51545953/article/details/127160151

详解深度学习中的图神经网络GNN_gnn图神经网络-CSDN博客https://blog.csdn.net/qq_39312146/article/details/134477679?spm=1001.2014.3001.5502

二、什么是图？

　　图是由一些点和一些线构成的，能表示一些实体之间的关系，图中的点就是实体，线就是实体间的关系。如下图，V是顶点，E是边，U是整张图。attrinbutes 是信息的意思，每个点、每条边、每个图都是有信息的。

　　怎么表示一张图，参考下面的例子

　　每个顶点、边和整张图都可以用一个向量来表示，在这个例子中，顶点的向量有六个值，柱体的高矮就表示该值的大小，每条边用一个长为8的向量来表示，全局用一个长为5的向量来表示。

　　图神经网络要做的事（整合特征）：

• 为每个节点整合特征向量，根据其对节点做分类或者回归
• 为每条边整合特征向量，根据其对边做分类或者回归
• 为每张图整合特征向量，根据其对图做分类或者回归

　　图分为两种，一种是有向图，一种是无向图。有向图就是单边关系图，比如A暗恋B，而B并没有暗恋A，这就是一个单边关系；无向图就是互为这种关系，比如说情侣，双方互相喜欢。

三、怎么把一些内容表示成图？

1、把图片表示成图

　　比如说一张图片可以表示为一个244*244*3的tensor，244*244个像素，3个RGB通道。就可以像下图这样表示，点表示的是像素，边表示的是像素间的邻接关系

2、把一句话表示成图

　　句子中的每个单词可以表示成一个节点，有向边表示这些单词的链接关系

四、GNN中的常见任务

　　图上面有三种常规类型的预测任务：图层面，节点层面，边层面。

1、Graph级别任务

　　基于整个图，做分类和回归。

　　例如，给定一个分子结构图，判断它里面存在 几个环 或者 判断该分子结构属于哪一类

2、Node与Edge级别任务

　　先给出一张图片，然后经过语义分割将人物给分割出来，预测这个点是教练还是学员，即预测点；预测两个点之间的关系（是打架关系还是观看关系），即预测边

五、GNN是如何做预测的？

　　前面我们知道，节点、边和图都是向量的形式，处理向量可以采用神经网络，以MLP为例。如下图所示，节点、边和图各有一个MLP，同时，所有的点共用一个MLP、所有的边共用一个MLP。下图构成了一个GNN block，也叫GNN层。

　　另外，Layer N+1与上一层相比，图的连接性没变，只改变了属性向量。也就是可以继续使用初始的图结构。

　　如果只是简单的节点二分类任务，使用下面的网络即可

　　但是，如果一个节点没有属性信息，只有边存储了信息，目标是对节点进行分类，则需利用边的属性信息，这个过程称为信息聚合，聚合操作可以使用平均值、最大值、求和。如下图所示，当对一个节点进行预测时，将所有与该节点相连的边的信息进行聚合，聚合结果作为该节点的属性信息。

　　同理，如果只有节点信息，对边进行分类，则将与边相连的节点信息进行聚合，作为边的属性信息，图分类任务也一样。

　　最终的GNN结构如下：

　　上述是针对比较简单的分类任务，节点、边以及整个图的信息都是独立处理的；对于复杂的任务，则需要利用图的连接性信息，实现方法为消息传递，可以理解为更进一步的信息聚合，即相邻节点和边之间交换信息并影响彼此的更新

ps:图神经网络相关应用

• 芯片设计；
• 场景分析和问题推理：剧本杀中的推理、警匪片中嫌疑人的推理等；
• 推荐系统：抖音视频推荐；
• 欺诈系统与风控相关：比如贷款，分析你的收入和日常花销等分析借款额度；
• 道路交通的流量预测；
• 化学、医疗等：对化学结构进行预测、分析；
• ……