GCN
我们首先考虑一个多层图卷积网络(GCN),其层间传播规则如下:
在这里,
是一个激活函数,可以说Relu()、sigmoid()等。
以一个具体的图G为例:
上述公式其实就是一个迭代的过程。
但是简单的聚合并不合理,因为不同的节点重要性不一样,因此我们引入一种类似于【注意力机制】的东西。具体来说,如果一个节点的度非常大,即与他相邻的节点非常多,那么他传递的消息,权重就应该少一点。
举例来说,假如新垣结衣与你的发小都有直接的边与你相连接,那么在他们两个人对你进行评价的时候,谁的评价更重要一点?很明显是你的发小,因为新垣结衣的朋友太多了,即新垣结衣的度非常大,那么她对你的了解可能就不太多。反之,发小的度相比于新垣结衣就小得多,因此,发小的评价就非常准确。
总结一下GCN的流程: